多模态

Canva 发布首个图像生成模型 Canva Craft

设计平台 Canva 发布其首个图像生成模型 Canva Craft，由内部研究团队开发，旨在与 Google、OpenAI、字节跳动和 Meta 的同类模型竞争。该模型采用两阶段生成方式，先解析提示词并规划空间关系、视觉层级等细节，再生成最高 2K 分辨率、支持 30 种宽高比的图像，并基于 Canva 模板库中的设计图而非照片训练，因此生成结果可转换为分

另有 1 家信源报道

OpenAI 开放 Decisions API，决策模型竞争升温

OpenAI 将其 Decisions API 模型向所有用户开放，进入快速、低成本决策模型市场，与 TypeSafe 的 Jev 模型展开竞争。该 API 基于 ChatGPT Luna 重新配置以提升推理速度、降低成本，在 Box、Datadog、Ramp、Speak 等客户试用中替代 LLM 提升吞吐量，Speak 称操作间隔从 1.4 秒降至 0.1

llama.cpp b11826：mtmd 新增 MiniCPM-OCR 1.0 支持

llama.cpp 发布 b11826 版本，主要变更是为 mtmd（多模态）模块新增 MiniCPM-OCR 1.0 支持（PR #30979）。该版本同时提供 macOS/iOS、Linux、Android、Windows 等多平台预编译二进制，覆盖 CUDA、Vulkan、ROCm、SYCL、OpenVINO、Snapdragon 等后端。此次更新使

Z.ai GLM 5.3 Flash 上线 Mistral 平台

Z.ai 在 Mistral Platform 上线 GLM 5.3 Flash 模型，这是一个 320B 参数（18B 激活）的多模态混合专家模型，支持 100 万 token 上下文窗口，面向开发者 agent 工作流、视觉编程和复杂工具调用任务。定价为每百万输入 token 0.15 美元、缓存输入 0.03 美元、输出 0.50 美元。

NVIDIA 发布 Nemotron 3.5 Super VL 120B 全精度视觉语言模型

NVIDIA 在 Hugging Face 发布 Nemotron 3.5 Super VL 的 BF16 全精度版本，这是一个面向推理、编码、工具调用、文档与视频理解的视觉语言模型。模型采用 Mamba-2、MoE 与注意力混合架构，总参数 120B、激活参数 12B，支持最长 1M token 上下文，并可通过 MTP 实现原生投机解码。该版本面向定制化

SpatialScout：VLM 智能体能否主动探索并构建 3D 场景地图？

研究团队发布 SpatialScout 基准，用于评估视觉语言模型（VLM）智能体在主动物体级 3D 建图任务上的能力。该基准包含 80 个室内场景、3140 个目标物体，要求智能体在有限交互预算下控制相机探索、跨视角关联并估计物体中心坐标。实验显示最强模型 Claude Opus 5.5 平均重叠分数仅 41.71%，IoU 超过 0.9 的目标仅占 3.

NVIDIA 发布 Nemotron 3.5 检索模型系列，提升 Agent 检索效率

NVIDIA 在 Hugging Face 发布 Nemotron 3.5 检索模型系列，包括 8B/1B 的 Embed 嵌入模型（含 NVFP4 量化版）、8B Rerank 重排模型和 631M 的 Parse 文档解析模型，均开放且可商用。这些模型支持文本与图像的多模态检索、多语言检索和跨模态重排，旨在提升企业级 Agent 工作流的检索质量。评测显

StreamEval：交互式流式视频生成模型评测基准

研究团队提出 StreamEval，这是首个面向交互式流式视频生成的统一基准，覆盖虚拟人对话、虚拟人表演、世界生成、指令编辑和参考编辑五类任务，包含 300 个时长 15-300 秒的脚本化测试用例，并从任务执行、状态一致性、视觉保真度和视听协调四个维度评估。对 37 个模型的评测显示，高视觉质量与身份保持并不等同于可靠的请求执行或持续的状态一致性，任务执行

llama.cpp b11813：Pixtral 改用 Tekken 预分词器

llama.cpp 发布 b11813 版本，主要变更是词表处理：pixtral 模型改用 Tekken 预分词器，替代原先的 Llama 3 预分词器（PR #30960）。该版本同时提供 macOS/iOS、Linux、Android、Windows 等多平台多后端的预编译二进制包，涵盖 CUDA、Vulkan、ROCm、SYCL、OpenVINO 及

千问发布AI眼镜N1 Pro与AI耳机，押注Personal Agent硬件入口

千问发布AI眼镜N1 Pro（到手价2218元起）和AI耳夹式耳机（1099元起），三款硬件同日开售。N1 Pro搭载全天候视觉感知系统、眼动追踪模组和三芯架构，并具备心率、血氧等体征监测能力。千问方面表示，AI穿戴是千问在物理世界的延伸，也是Personal Agent的重要组成部分，硬件只是载体，核心是把阿里生态的高德、淘宝、飞猪、支付宝等真实数据与服务

火山引擎启动Seedance 2.5 4K模型首批企业试用

火山引擎启动 Seedance 2.5 4K 模型首批企业试用，定向供应全球 20 家工作室和导演，并与具体作品绑定，探索高端影视需求。该模型主打人物表演更细腻、参考生成与编辑一致性更精细，是 Seedance 2.5 代际中的最强版本。已试用工作室称其价格低于预期，支持先用 480P 生成样片、满意后再用 4K 重新生成；20 部在用作品中最早下月有卫视

JUICE：在预训练表示空间中统一多模态建模

研究提出 JUICE，一种在冻结的预训练图像与文本编码器连续表示空间中，用单一流匹配 Transformer 联合建模多模态分布的方法，每个模态有独立噪声水平，通过选择哪些模态保持干净来决定任务类型。在 2.1B 参数、无语言模型初始化条件下，JUICE 在 GenEval 上达到 0.88、VQAv2 上达到 73.1，联合采样在迷宫任务上成功率从独立采样

KVLearn：分离式LLM推理中的学习型KV缓存保留

加州大学洛杉矶分校与哥伦比亚大学的研究者提出 KVLearn，一个面向分离式（prefill/decode 分池）LLM 推理系统的学习型 KV 缓存保留框架。它由前缀复用预测器（PRP）、成本感知保留评分（CARS）和自适应阈值控制器（ATC）三部分组成，把 keep/evict 决策建模为成本优化问题，综合考虑重算、网络传输与存储开销。在文本和多模态负载

高通发布面向骁龙设备优化的 OpenAI CLIP 模型

高通在 Hugging Face 发布面向骁龙等高通设备优化的 OpenAI CLIP 模型（ViT-B/16，1.5 亿参数），提供 ONNX、QNN DLC、TFLite 等多种预导出格式及 float、w8a16 精度版本。模型通过 Qualcomm AI Hub Models 库支持自定义导出，官方性能表显示其在多款骁龙与 Dragonwing 平台

Qwen3.6-35B-A3B 无审查 Genesis GGUF 发布

个人开发者 LuffyTheFox 在 Hugging Face 发布 Qwen3.6-35B-A3B-Uncensored-Genesis-GGUF，基于 HauhauCS 的无审查 Qwen3.6 MoE 多模态模型，声称通过名为 Genesis 的后训练张量修复算法（基于 Marchenko–Pastur 分布与自定义 SVD）降低训练噪声、修复零块与

Matrix-Game 4.0：用视频模型打造实时可玩游戏世界

研究团队发布 Matrix-Game 4.0，将游戏逻辑与视觉合成分离：轻量游戏引擎维护世界状态并执行交互规则，多模态编码智能体把玩家想法转成游戏代码与动态场景描述，自回归视频渲染器将低多边形代理画面转为高保真视觉。系统在单张 NVIDIA RTX5090 上实现 480p、60 FPS 实时游玩，按键到显示延迟 112ms，并开源代码、模型权重与低多边形游

Software Mansion 发布 ExecuTorch 版 LFM2.5 端侧模型

Software Mansion 在 Hugging Face 发布了 lfm-2.5 系列模型，这些模型是 LiquidAI 的 LFM2.5 模型经 ExecuTorch 导出后的 .pte 程序，可在设备端运行。该系列覆盖 350M、1.2B、2.6B 文本模型以及 450M、1.6B 视觉语言模型，提供 MLX、XNNPACK、Vulkan 后端和

Google SynthID Detector 全球上线，扩展支持 OpenAI 等 AI 提供商

Google DeepMind 宣布 SynthID Detector 全球上线，用户可通过 SynthID.com 上传图像、音频或视频，检测来自 OpenAI、NVIDIA、Kakao 等 SynthID 合作伙伴的 AI 生成内容，Apple 支持即将推出。此前用户只能通过 Gemini 检测 Google AI 生成的内容。该工具仅能识别采用 Syn

MAXHUB发布新一代专业视讯终端，瞄准混合办公会议升级

MAXHUB于10月21日在北京CVTE产业园举办2026新品媒体品鉴会，发布新一代专业视讯终端、面向不同会议空间的分体式方案及全向麦产品。新品配备16阵列麦克风、2.2声道50W扩音、2亿像素四摄三焦段及多模态AI运镜，并支持开放连接、统一管理平台与国密算法、等保三级等安全能力。文章认为混合办公下企业正重新审视专业视讯终端，竞争将从参数比较转向复杂空间声画

Ornith-1.5-35B-A3B 的 ROCmFPX 量化 GGUF 发布

开发者 ArtomYuan 在 Hugging Face 发布了 Ornith-1.5-35B-A3B-ROCmFPX，这是对 ornith-ai/Ornith-1.5-35B-A3B 官方基座模型进行本地重量化后的 GGUF 版本，提供 7 个量化档位及视觉 mmproj。该版本需配合其 llama.cpp 分支 strix.cpp 使用，后者针对 AMD