多模态

阿里云Token Plan个人版升级：加量不加价，新增12类Agent Harness工具

阿里云于9月11日升级Token Plan个人版，在价格和Credit额度不变的情况下，为Standard和Pro套餐新增Agent Harness工具权益，覆盖搜索、网页解析、图像生成、语音处理、代码执行等12项Agent开发能力，均通过MCP标准协议开放。同时新增视频生成、Managed Agent托管智能体、RAG知识库、Memory记忆库与Sandb

MHE-Former：基于熵最大化的多假设Transformer用于3D网格恢复

该论文提出 MHE-Former，一种基于熵最大化的多假设 Transformer 框架，用于单目 3D 手部和身体网格恢复。它采用探索-利用范式：探索阶段通过概率建模和熵最大化生成多样且合理的假设，利用阶段借助 VLM 的视觉理解与推理能力进行上下文感知的假设选择。实验表明该框架在多个数据集上取得准确性和多样性的最优表现，用户偏好研究也验证了假设选择流程的

先思后链：多语言实体链接中的稀有性、推理与检索

该论文研究多语言多模态实体链接中稀有实体的失败问题，指出传统基于流行度（如页面浏览量）的稀有度指标会遗漏许多知识图谱结构上稀疏的实体。作者提出用Wikidata结构指标刻画稀有度，并设计一个无需训练的框架，让具备推理能力的视觉语言模型迭代检索并推理Wikipedia证据。在MERLIN五语言基准上，最佳系统整体比SOTA提升6.9%，在稀有实体切片上最高提升

M3-Former：融合混合专家的多模态长期船舶轨迹预测

该论文提出 M3-Former，一个结合大语言模型与多模态 Transformer 的船舶轨迹预测框架，用于长期（1-4 小时）轨迹预测。方法将船舶静态属性与航行意图作为语义先验，通过预训练 LLM 编码并与动态轨迹特征对齐，同时引入双粒度混合专家（MoE）架构分别建模全局航线规划与局部机动行为，并设计转向加权交叉熵损失缓解稀疏转向样本的长尾问题。在丹麦真实

GRADE：视觉退化下的单帧生成式雷达深度估计

该论文提出GRADE方法，利用预训练生成先验与单帧毫米波雷达几何信息，在烟雾、雾霾和黑暗等视觉退化条件下估计高保真度量深度。GRADE先将原始4D雷达频谱映射为粗略度量深度，再用潜在扩散模型恢复结构细节，并通过像素空间适配器在可见时利用相机残差线索。在12栋建筑95K帧数据上训练评估，清晰场景MAE为0.303米，烟雾下为0.313米，优于现有基线。

2026蚂蚁InTech奖揭晓：申报量增近4倍，三年投1亿扶持创业

2026蚂蚁InTech奖在外滩大会揭晓，10位青年科学家获科技奖（每人20万元），10位中国籍在读博士生获奖学金（每人5万元）。本届聚焦AGI、具身智能、数字医学、数据处理与安全隐私四大方向，申报量较首届增长近4倍。蚂蚁集团同时宣布未来三年投入1亿元扶持获奖者创业项目。

外滩大会论坛：世界模型如何走向物理世界

2026 Inclusion·外滩大会上，香港大学计算与数据科学学院主办“世界模型是AI走向物理世界的新大陆吗”见解论坛，马毅、王晓刚、骆怡航等高校与企业嘉宾围绕世界模型的能力边界、具身智能技术路径与商业化挑战展开讨论。王晓刚介绍大晓机器人ACE研发范式与开悟世界模型，骆怡航发布面向灵巧操作的通用世界模型Motus2，圆桌嘉宾就世界模型定义、风险、适用场景及

Amazon Bedrock 知识库集成 Marengo 3.0 实现视频图像搜索

AWS 宣布 TwelveLabs Marengo Embed 3.0 作为嵌入模型在 Amazon Bedrock Knowledge Bases 中正式可用。该多模态嵌入模型可将视频、音频、图像和文本联合编码为 512 维向量，使视频和图像内容可通过自然语言进行语义搜索。Managed Knowledge Bases 自动完成分段、抽帧、转录和嵌入，用户

宇树发布60亿参数通用人形机器人基础模型UnifoLM-WLA-1.0

宇树公开新一代通用人形机器人基础模型UnifoLM-WLA-1.0，参数量60亿，使用约2500小时真机数据训练，一套模型可完成64项桌面与全身操作任务，并适配平行夹爪和两类灵巧手。模型引入具身推理、动态区域预测与动作学习体系，将末端执行器与下半身动作统一为离散Token。其具身推理模型UnifoLM-ER-1-4B在7项开源评测中取得最高成绩，部分空间理解

攀爬AGI的南北坡：语言模型之外，生数从世界模型出发

生数科技在外滩大会预告发布面向灵巧操作的自进化通用世界模型Motus2，将评估与反馈显式纳入统一模型，使机器人能预测动作后果并据此优化策略。文章以智谱（语言模型路线）与生数（世界模型路线）为对照，称二者为攀爬AGI的南北坡。生数已形成Vidu Q3生成世界、Vidu S1实时交互、Motubrain世界动作模型三类核心模型布局，创始人朱军团队在概率机器学习与

llama.cpp b10896：修复 DFlash 视觉模型 mtmd chunk 解码失败

llama.cpp 发布 b10896 版本，修复了在使用 DFlash 推测解码与视觉模型（mtmd）配合时无法解码图像 chunk 的问题。修复方式是停止将图像 token 复制给 drafter，并将 M-RoPE 跳过逻辑限制为仅图像，允许音频正常通过。该版本同时提供 macOS、Linux、Windows、Android 等多平台预编译二进制。

Meta 推出 Muse AI 助手，实测能干活但隐私令人不安

Meta 推出其首个 AI 生产力助手 Muse，可连接 Gmail、Amazon 等账户，代用户处理邮件清理、购物下单、生成播客/图片/视频等任务。The Verge 记者实测发现 Muse 能完成低风险任务，但会从 Instagram API 读取比用户界面更详细的个人兴趣数据，甚至根据 Amazon 收货地址推断用户所在州，引发隐私担忧。Meta 称仅

GLM-5.3-Flash 发布 EXL3/TR3 4bpw 量化检查点

开发者 brandonmusic 在 Hugging Face 发布了 GLM-5.3-Flash 的 EXL3/TR3 4bpw 量化检查点，基于 zai-org/GLM-5.3-Flash-BF16，面向 SM120 双 GPU 环境。该版本提供多模态 DFlash2、纯文本 DFlash2 和纯文本 MTP3 三种 vLLM 服务配置，并附带可复现的

智象未来 vivago R1 全球上线，国内版「够搭」升级发布

智象未来（HiDream.ai）于2026年9月8日全球上线内容创作智能体 vivago R1，国内版本「够搭」同步升级发布。R1 主打一次性稳定输出5分钟高质量视频并支持无限次多轮延长，通过主/子 Agent 协同完成脚本、分镜、角色、场景与音效，并依托自研 HD-AgentOS 将内容有效可用成功率提升至85%。产品采用 Chat-First 对话式创作

ECCV上钛动科技牵头MARS2，研究AI如何做生意的多模态推理

在ECCV 2026上，中国科技公司钛动科技牵头举办了唯一聚焦Agentic Commerce方向的MARS2 Workshop，牛津、MIT等机构学者参与分享多模态AI前沿研究。配套的MARS2多模态AI挑战赛设置三条赛道，基于3108支广告视频构建的M-CAR数据集，吸引64支全球团队提交超1060份方案，奖金池10万美元。结果显示模型整体理解广告内容尚

另有 1 家信源报道

中国公司牵头ECCV Workshop，多模态推理挑战赛全球64队参赛

在ECCV 2026上，中国公司钛动科技牵头发起了MARS2 Workshop，这是本届大会唯一由中国科技公司牵头举办的Agentic Commerce方向Workshop。该Workshop同期举办多模态推理挑战赛，设置10万美元奖池，吸引全球64支团队提交超1060份方案，并开源了M-CAR基准数据集及代码库。赛事结果表明当前多模态模型在System 2

另有 1 家信源报道

ECCV 2026 世界模型爆发：中国学者如何卡位

ECCV 2026 将于 2026 年 9 月在瑞典马尔默开幕，共接收 2883 篇论文（接收率 27.5%），86 个 workshop 中有 13 个直接以 World Models 或 Embodied AI 为主题，密度为 ECCV 历史之最，Yann LeCun、Jürgen Schmidhuber 等将作 keynote。文章认为这标志 AI 竞

腾讯云文档智能推出作业批改 Agent 全流程方案

腾讯云 AI 团队在开发者社区介绍其文档智能教育产品线，将作业批改链路拆为切题、识别、批改、回显四步，并封装为试题批改 Agent 与作文批改 Agent，覆盖 K12 全学科及中英文手写作文，输出正误、得分、知识点与错误坐标等结果。作文批改走异步接口（SubmitMarkEssayAgentJob），默认并发限制 2 次/分钟，底座为千亿参数多模态大模型与

腾讯云文档智能试卷切题能力解析：从坐标结构到模型选型

腾讯云文档智能推出试卷切题原子能力 QuestionSplitOCR，可将整页试卷按题目边界自动拆分，并输出题干、选项、答案、图形、表格五类带四角坐标的语义区域，同时直接返回切好的题目图片和 LaTeX 公式。接口提供默认模型与多模态推理模型两种选择，分别偏向结构化全面与坐标精准，并支持切边增强、弯曲矫正、PDF 解析等拍照预处理开关。该能力面向题库建设、在

IDC预测AI数据基础设施迈向万亿级市场，国产数据库迎新增长空间

IDC中国企业软件市场研究经理王楠在2026 Inclusion·外滩大会论坛上分享研究，预测中国AI数据基础设施市场2025年至2030年将以37.7%的复合增速增长，2030年规模达738亿美元，2035年有望达1548亿美元。报告将市场划分为AI数据平台、AI数据智能和AI数据服务三大领域，其中AI数据智能增速最快。文章指出AI瓶颈正从模型能力转向企业