多模态

OpenAI发布ChatGPT Images 2.5生图模型

OpenAI发布新一代生图模型ChatGPT Images 2.5，主打生成更快、细节更好、改图更可控。相比Images 2.0，生成延迟最多降低50%，新增xhigh和max质量档位，并支持在图片上直接批注修改、用草图作为参考图以及多轮编辑一致性。面向开发者同步推出GPT-Image-2.5 Flare和GPT-Image-2.5 Sunburst两个AP

GPT-6 Astra 通关 48 关验证码，CAPTCHA 防线转向机器身份

OpenAI Labs 成员 Sharif Shameem 展示 GPT-6 Astra 连续完成《I'm Not a Robot》全部 48 关，从图片识别到拖拽、停车、节奏控制等动态任务，形成视觉理解、GUI grounding、状态保持与动作执行的闭环。Astra 在 ScreenSpot-Pro 达 92.7%、OSWorld 2.0 达 72.6%

DeepSeek-V4.1-Flash 发布并上线 API，价格下调

DeepSeek 正式发布 DeepSeek-V4.1-Flash 模型，这是其全新模型结构系列中最小尺寸的模型，具备原生多模态视觉理解能力，并公布了 GPQA Diamond、HLE、Codeforces 等多项基准成绩。该模型已同步上线 DeepSeek API，调用模型名改为 deepseek-flash，旧版 V4 Flash 与 V4 Flash

另有 1 家信源报道

Qwopus3.8-27B-Flash：高效多模态微调模型发布

Qwopus3.8-27B-Flash 是基于 Qwen3.8-27B 微调的多模态模型，旨在降低推理成本与响应时间，提升智能体任务的效率。模型通过两阶段训练（SFT 和 NeMo-RL+GSPO 强化学习）实现 12.8% 的加速解码和 80.7% 的 MTP 接受率，但 MMLU-Pro 分数略低于基础模型。该模型支持视觉、工具调用和代码生成，已知问题为

腾讯云 OCR 发票识别接口选型与实操指南

腾讯云 AI 团队发布一篇开发者社区文章，系统讲解腾讯云文字识别 OCR 的发票识别接口选型与实操。文章区分了通用票据识别、增值税发票识别、OFD 发票识别、增值税发票核验、银行回单识别、医疗票据识别等接口的适用场景，并给出 SDK 代码示例、QPS 限制、常见报错处理，以及专业 OCR 与大模型多模态识别在字段定位、结构化稳定性、成本上的对比。

AgenticGen：奖励引导的智能体广告视频生成

字节跳动提出 AgenticGen，一个面向广告视频生成的奖励引导智能体框架，将生成过程拆解为策略选择与草稿生成两个可训练推理阶段。该方法从在线投放反馈中学习基于表现的奖励模型，并结合人工标注的评分标准奖励模型，先通过 DPO 对齐在线偏好，再用 GRPO 以过程与结果奖励进一步优化。在 TikTok 广告系统的在线 A/B 实验中，相比 SFT 基线，CT

多智能体推理用于说话人关系推断

该论文提出一种无需训练的多智能体推理框架，用于从口语对话中推断说话人之间的关系。框架包含两种设计：多角色多智能体辩论（MRMAD）为智能体分配互补角色或社会理论视角；多智能体竞争（MAC）通过成对裁决比较假设并淘汰较弱候选。在 Seamless Interaction 数据集上的实验表明，这些方法在多数情况下优于零样本和现有多智能体基线，但声学线索仍未被当前

OASIS：基于量规与大语言模型的多模态评估平台

UT Southwestern 等机构的研究者发布 OASIS，一个基于评分量规（rubric）的多模态评估平台，可用大语言模型对视频、音频和文本进行结构化打分。平台提供命令行工具与集成栈，支持托管 API 或通过 Ollama、vLLM 等自托管开源模型，并具备量规版本管理、执行溯源和人工复核状态。该系统自 2023 年秋季起在 UT Southweste

M2LG-DG：跨站点抑郁症分类的多模态局部-全局域泛化框架

研究提出 M2LG-DG，一个仅用源域数据的多模态局部-全局域泛化框架，用于跨站点重性抑郁障碍（MDD）分类。该框架采用双流 rs-fMRI 编码器（全局自注意力与局部图约束聚合），将影像与非影像表征分解为共享与私有成分，并通过双向交叉注意力与模态门控融合，同时用跨站点监督对比目标构建正样本对。在四个留出的 REST-meta-MDD 站点上取得 69.48

融合单模态与视觉语言表征的胸部X光多标签分类

该研究提出一个融合框架，将RAD-DINO的单模态视觉表征与BioViL-T的视觉-语言表征在潜在空间中分别精炼后归一化并跨三分支融合，用于MIMIC-CXR-JPG数据集上14类胸部X光多标签分类。实验显示RAD-DINO单独使用时优于BioViL-T，而早期融合进一步提升结果，表明两种嵌入来源包含互补信息；混合融合在潜在空间精炼后相比早期融合有一致且统计

Show-Harness：仅靠 VLM 智能体即可操控机器人

该论文提出 Show-Harness，一种通过离散语义动作单元将视觉语言模型（VLM）与机器人控制连接起来的具身接口，由特定于本体的解释器将语义动作确定性地映射为本地机器人动作。Show-Harness 证明了两点可行性：直接解锁闭源前沿 VLM 实现零样本机器人控制，以及仅用少量 GPU 小时微调小规模开源 VLM 实现低成本部署。作者还开发了 GUMI（

FuriosaAI 发布 Qwen3-VL-4B-Thinking 的 RNGD 运行包

FuriosaAI 在 Hugging Face 发布了 furiosa-ai/Qwen3-VL-4B-Thinking 仓库，将 Qwen 的 40 亿参数稠密视觉语言模型 Qwen3-VL-4B-Thinking 与 Furiosa Executable Bundle（FXB）打包，使其可在 FuriosaAI RNGD 硬件上通过 Furiosa-LL

FuriosaAI 发布 RNGD 上的 Qwen3-VL-2B-Instruct 部署包

FuriosaAI 在 Hugging Face 发布了 furiosa-ai/Qwen3-VL-2B-Instruct 仓库，将 Qwen 的 2B 参数稠密视觉语言模型 Qwen3-VL-2B-Instruct 与 Furiosa 可执行包（FXB）打包，使其可在 FuriosaAI RNGD 加速卡上通过 Furiosa-LLM 运行。该模型支持图像/

百度营销发布擎舵3.0与智能投放，双擎驱动AI营销增长

百度营销在9月9日发布会上正式推出擎舵3.0营销创意智能体与全新升级的智能投放产品。擎舵3.0从AIGC创作工具进化为多Agent协同的营销创意智能体，包含图片Agent和视频Agent，已累计服务超15万家客户，人效提升超300%。智能投放产品AIMax升级为扩量、控本、稳效三位一体，客户渗透率达44.2%，超6000家客户将全部账户托管给AIMax。百度

RTX5090 优化版 Qwen3.8-27B NVFP4 量化模型发布

Hugging Face 上发布了 gittensor-model-hub/Qwen3.8-27B-NVFP4-RTX5090，这是基于 Qwen/Qwen3.8-27B 的 NVFP4 量化检查点，使用 NVIDIA Model Optimizer 量化，专为 RTX 5090（Blackwell）优化。该模型在 32GB 显存上支持完整 262,144

京东发布物理AI成果：十万卡算力集群与JoyAI世界模型

京东在JDD-2026全球科技探索者大会上发布物理AI建设成果，包括规划建设国产十万卡算力集群、推进1000万小时具身数据采集、发布实时可交互世界模型JoyAI-Echo WM（在WBench Navigation评测中以81.6分排名第一），以及物流超脑3.0、工业JoyIndustrial2.0、健康京医千询3.0等垂域模型。京东同时启动“物理AI加速计

用 GPT-6 Astra 与 Blender 生成 Fabergé 彩蛋模型

Simon Willison 使用 GPT-6 Astra 和 ChatGPT Images 2.5 生成了一枚以电视剧《Pluribus》为主题的 Fabergé 彩蛋图片，随后将图片粘贴到 Codex 中，通过本地 Blender 技能让模型自动构建出 .blend 三维模型，耗时 17 分 51 秒。他将该模型接入自己此前搭建的浏览器端 Blender

Suno发布首个获唱片行业支持的AI音乐模型v6

Suno发布了其首个与唱片行业合作训练的AI音乐模型v6，该模型使用了来自华纳音乐、BMG和Believe等合作伙伴的授权数据。v6包含三个子模型：v6、v6-wild和v6-mini，其中mini免费提供。新模型在理解音乐流派方面有显著提升，但仍无法生成自然的不完美音乐，且新增了通过聊天编辑歌曲部分、基于图像或视频生成音乐等功能。

EPD 分离技术加速多模态模型推理的适用场景

NVIDIA 技术博客介绍了编码-预填充-解码（EPD）分离技术，用于加速多模态模型推理。该技术将视觉编码阶段与 LLM 预填充和解码阶段分离，通过 NVIDIA Dynamo 框架实现独立扩展，在图像密集型提示和短输出场景下，可将首令牌时间（TTFT）提升至 5 倍，端到端响应时间提升至 7 倍。文章还讨论了 EPD 的适用场景和硬件放置选项，并指出在长输

GAP-models 仓库发布：备份与量化评估模型存档

Hugging Face 上发布了 GAP-models 仓库，用于备份 GAP 参考生成和量化评估所用的本地模型，包含多个模型族和检查点。仓库通过清单和 SHA256 校验确保文件来源和完整性，并记录了候选模型的资格评估结果，评估基于特定 CUDA 构建和硬件环境。文件保留原始模型的许可和归属，不统一替换许可。