多模态

MiniMax M3.1-Flash 实测：轻量模型前端能力硬刚 Opus 5.5

MiniMax 在国庆前夕上线并开启公测的轻量模型 M3.1-Flash，在 3D 网页、动效设计、教学动画等前端任务上表现出接近旗舰模型 Claude Opus 5.5 的水平。智东西通过程序化动画、鸡尾酒制作动画、像素巫师等案例实测对比，发现 M3.1-Flash 能主动补全设计细节并交付可运行的前端成品。文章认为这得益于 MiniMax 的多模态技术积

OneStreamer：统一流式视频交互中的感知、记忆与主动响应

研究团队提出 OneStreamer，一个 4B 参数的流式视频交互模型，通过共享的主动生成过程统一感知、记忆与主动响应。其 Proactive Hierarchical Caption Memory（PHCM）生成带时间戳的局部细节描述与事件摘要，使模型无需回看历史视觉特征即可保留可复用的事实记忆；Proactive State Transition Le

Google 9月AI汇总：发布Gemini 4 Argon等系列模型

Google 发布 2026 年 9 月 AI 进展汇总，核心是推出前沿模型 Gemini 4 Argon，具备先进推理能力和 100 万 token 上下文窗口，面向网络安全防御场景，通过 Fairwind 计划向可信防御者分阶段开放。同期还发布了 Gemini 3.8 Flash、3.8 Flash Cyber、Gemini 3.8 Live 语音模型、

Suno 推出 Speech 功能，可同时生成语音与背景音乐

AI 音乐生成平台 Suno 推出名为 Speech 的新功能，可根据脚本或提示描述生成语音，并同时生成配套背景音乐。该功能已在 Suno 网页端和移动端开启公开测试，提供 Simple 和 Advanced 两种模式，最长时长约八分钟。Suno 表示该功能尚不完善，将根据用户反馈持续改进，此举被视为其在音乐生成业务面临多起诉讼背景下向语音领域扩展的尝试。

另有 1 家信源报道

Black Forest Labs 发布 Flux 3 Image，支持多步局部编辑

Black Forest Labs 发布 Flux 3 模型家族中的图像模型 Flux 3 Image，支持多步编辑且不改变图像其他部分，覆盖文生图、图生图、文字渲染和照片级真实感。用户可用边界框构图、最多输入十张参考图，并输出最高 4K 分辨率，同时提供免费演示。API 访问在 10 月 8 日前五折优惠，企业可授权商业权重在自有基础设施上运行和微调，开放

Pi 1.0 与 Pi Durable 发布，登 HN 首页

Earendil 旗下 Pi 发布 1.0 版本并推出 Pi Durable，两者登上 Hacker News 首页。Pi 1.0 新增 MCP 原生支持、虚拟模型扩展、延迟工具加载、Anthropic 模型缓存预热、对话中途系统消息等功能；Pi Durable 将 Pi 移植到 TypeScript，外置全部有状态组件，支持崩溃恢复、可移植、并发、扩展、上

自适应奖励路由：联合音视频扩散的前向过程RL多奖励优化

该论文提出自适应奖励路由（Adaptive Reward Routing）方法，用于联合音视频扩散模型的前向过程强化学习（DiffusionNFT）。方法包含两个组件：跨模态影响引导路由，利用双向交叉注意力响应动态调整更新位置；偏好保持的模态感知重加权，在预热后以分支特定奖励梯度交互作为残差修正来协调多奖励冲突。实验表明该方法在模态质量、语义一致性和音视频同

Swift-1.5-Qwen3.8-27B 去审查 GGUF 量化模型发布

Hugging Face 用户 ajgazin 发布了 Swift-1.5-Qwen3.8-27B-Uncensored-Dynamic-MTP-GGUF，这是对 UkisAI 的 Swift 1.5 Qwen3.8-27B 推理高效微调模型进行 abliterated（去审查）后的 GGUF 量化版本。该模型提供 UD 与 RCO 两种量化布局，包含 MT

SGLang v0.5.21 发布：新增多模型支持与性能优化

SGLang 发布 v0.5.21 版本，包含来自 227 位贡献者的 779 个 PR。新增 DeepSeek-V4.1 Flash、GigaChat 3.5、MiMo-V2.6、DiffusionGemma、Qwen-Image 2.1 等十余个模型支持，并引入 PD 实例动态切换、Rust 前缀缓存、Decisions API 与 Score API

NVIDIA 发布多模态重排序模型 llama-nemotron-rerank-vl-1b-v2

NVIDIA 发布 llama-nemotron-rerank-vl-1b-v2 多模态重排序模型，基于 Eagle VLM 架构（SigLIP 2 400M 视觉编码器 + Llama 3.2 1B 语言模型），约 17 亿参数，采用交叉编码器结构。该模型可对图像、文本或图文混合的文档页面与查询进行相关性打分，用于视觉 RAG 流程中对候选文档重排序。模型

谷歌推出 Guided Vision，用 Gemini 实时描述镜头画面

谷歌在 Gemini Live 中推出 Guided Vision 功能，已在兼容的 Android 设备上线。用户可通过共享摄像头，让 Gemini 实时用音频描述镜头中的内容，如阅读小字、识别物体、描述周围环境，并支持追问。该功能面向盲人或低视力用户，也可在 Google TalkBack 中使用，但谷歌提醒不要将其用于导航、安全出行或障碍物检测，也不能

ChatGPT 上线虚拟试穿与收藏夹购物功能

OpenAI 宣布在全球范围内为 ChatGPT 推出两项购物新功能：虚拟试穿和收藏夹。虚拟试穿允许用户上传自拍或全身照，查看服装或配饰穿在自己身上的效果，也可上传商品图片让 ChatGPT 试穿；收藏夹可将商品与试穿图片一起保存到应用内的 Library。这些功能基于新发布的 ChatGPT Images 2.5 模型，OpenAI 称其光照更自然、纹理更

Tavus推出人类交互模型Griffin，近半数测试者误认其为真人

旧金山AI初创公司Tavus推出名为Griffin的"人类交互模型"（HIM），可实时处理语音、面部表情、语调、手势和停顿，并同时接收与生成视频。在一项研究中，48%的参与者在进行一分钟视频通话后认为Griffin是真人，而此前系统最高仅为2%；在Nvidia的独立测试中Griffin得分3.83，接近真人的3.92。目前Griffin-Lite以研究预览形

Ideogram 4.5 发布：局部编辑不破坏图像其余部分

Ideogram 发布新模型 Ideogram 4.5，声称能只编辑图像中用户指定的部分，而不影响其余内容，解决了 AI 图像编辑中多次编辑后易产生伪影的痛点。该模型提供四档质量层级，价格从每张 0.8 美分到 22 美分，均为原生 2K 分辨率，现已上线 Ideogram 平台及 API，合作方包括 Picsart、Runway、Pika 和 Leonar

何恺明团队NAT-ARC：用ImageNet预训练纯视觉方案解ARC

何恺明团队（MIT CSAIL）提出NAT-ARC，一种纯视觉的ARC抽象推理方案。该方法在VARC视觉流程前插入ImageNet MAE自监督预训练，用约130万张自然图像训练encoder，再迁移到ARC彩色格子推理任务。最佳单模型（0.6B参数）在ARC-1上取得63.4% pass@2，集成后达70.2%，以约四分之一参数量逼近8B专用LLM系统Th

OpenAI发布Dots智能体对标Meta Muse，但价格难敌免费

在OpenAI年度DevDay大会上，CEO Sam Altman发布了由GPT-6 Astra驱动的AI智能体Dots，主打可爱外形与虚拟世界构建能力，直接对标Meta的免费智能体平台Muse。Dots目前仅限每月20美元的Pro及以上订阅用户使用，而Muse对所有Meta账户免费开放，价格成为其最大竞争劣势。OpenAI同时强调Dots在长周期任务、企业

Cloudflare AI Search 正式 GA，新增多模态检索与 OCR

Cloudflare 宣布 AI Search 正式 GA，该产品整合 Workers AI、Vectorize、R2 和 Browser Run，提供全托管索引与检索流水线。此次更新新增原生图像嵌入、PDF OCR 及更大文件支持（文本和 PDF 上限从 4 MiB 提升至 10 MiB），并采用 Qwen3-VL-Embedding 模型实现多模态检索。

d0xin 发布 Swift-Qwen3.8-27B 无审查 NVFP4 量化版

Hugging Face 用户 d0xin 发布了 Swift-Qwen3.8-27B-Uncensored 的 NVFP4 量化版本，基于 NVIDIA ModelOpt Local-Hessian 校准与激活余量（activation headroom）技术，采用 NVFP4/FP8 混合精度拓扑。该版本在 RTX PRO 6000 Blackwell

微小扰动即可改写感知：VLM 定向语义替换攻击

该论文提出一种针对视觉语言模型（VLM）的定向语义替换攻击方法 TokRA，通过在受害者模型合并后的 token 空间中对齐源图像与目标图像的视觉 token，在 ε≤4/255 的扰动预算下同时注入目标语义并消除源语义。在严格成功标准下，图像攻击在 ε=4/255 时完全替换率达 38%，视频攻击达 35.9%。研究还发现语义融合现象，即 LLM 会将矛盾

FD-VAD：面向流式全双工语音的语义端点检测

论文提出 FD-VAD，一种无需 ASR 的流式语义端点检测方法，用于全双工语音交互。它将语义端点检测建模为因果音频-语言推理任务，把有界因果音频窗口直接映射为 Continue/Stop 决策，结合冻结语音编码器、轻量模态适配器和参数高效微调的语言模型，并采用 last-chunk 训练目标。方法还引入置信度门控端点提交与边界聚焦难负样本采样，在域内和对话