Hugging Face blog● 精選AI 評分74
Liquid AI 發布 LFM3：六款 2B 級多模態模型共用同一骨幹
Liquid AI 推出 LFM3 系列，六款 2B 級模型（文字、視覺、音訊、全模態與決策）均從 LFM3-1.7B-Base 派生，可按輸入模態選型，並在單張 GPU 上微調後部署到端側。LFM3-1.7B 比 LFM2.5-2.6B 引數少 35% 卻更強，4bit 量化約 1GB，上下文 256K，8K 上下文下比 LFM2-1.2B 快約 25%。
搜尋
找到 18 筆
X @ollamaAI 評分57
Cloudflare 的 27B 多模態模型 Clef 上線 Ollama
Cloudflare 的 27B 多模態決策模型 Clef 已在 Ollama 上線，可在本地或雲端執行。該模型支援文字與影像輸入，相容 Jev 與 System One 兩套 API。官方說明其託管在美國境內，並承諾零資料保留。
Hacker News front page● 精選AI 評分91
Mistral Large 4 發布：1.05T 引數開放權重多模態模型
Mistral 於 10 月 6 日公開預覽 Mistral Large 4：開放權重、通用多模態模型，採用細粒度 MoE 架構，49B 啟用引數、1.05T 總引數，配 1.6B 視覺編碼器，上下文 1M。定價為輸入每百萬 tokens 0.68 美元、快取輸入 0.07 美元、輸出 2.09 美元，頁面同時列出 1.36、0.14、4.18 的對照價格。功能含結構化輸出、函式呼叫、文件問答、字首補全、Chat Completions、批處理與 Agents 內建工具。
llama.cpp releases● 精選AI 評分77
llama.cpp 新增 Muse Spark Open 多模態模型支援
llama.cpp 合併 PR #30616，新增 Muse Spark Open 模型支援，可處理文字、視覺與音訊三種輸入。該模型是 latent space MoE：殘差流保持 8192 維，256 個專家位於 4096 維，經上下投影連線，採用 top-8 sigmoid 路由與修正偏置，注意力為三層 2048 視窗滑窗加一層無 rope 的全域性層。
Hacker News front pageAI 評分70
UniEvo-VL：多模態模型自蒸餾自我進化訓練配方
arXiv 上提交的 UniEvo-VL 提出一種 on-policy 自蒸餾訓練方法：讓同一個多模態模型分別以學生和教師身份出現，學生只看原始問題，教師額外看到自我批評作為特權資訊，訓練目標是縮小兩者在取樣軌跡上去噪擴散分佈的差異，無需依賴更大的外部教師模型。基於開源 Qwen-image-2512，GenEval 從 0.747 升至 0.808，GenEval2 Soft-TIFA 從 32.97 升至 35.53。
TechCrunch AI● 精選AI 評分90
Mistral 發布 1T 引數多模態模型 Mistral Large 4
法國 AI 實驗室 Mistral 於週二發布 1 萬億引數多模態模型 Mistral Large 4（ML4），暱稱 Le Chonk。它暫不是開放權重模型，只能通過公開的 guardrail 端點訪問，Mistral 計劃三週內完成安全測試後放出權重。該模型全程用自家算力訓練，僅 4000 塊 Nvidia GPU，官方稱比中國競爭對手少兩到三倍。基準結果未公布，最佳化場景包括網路安全、金融和晶片設計；三星上月以 210 億歐元估值領投其 D 輪。
機器之心● 精選AI 評分72
新基準 VA-Bench 測 12 個多模態模型，完整任務成功率約一半
VA-Bench 用 14 類機器人操作任務、280 個物理驗證場景測試 12 個主流多模態模型，發現目標識別與定位可達 100%、操作語義理解接近 100%，但完整任務成功率最高的 Qwen3.8-max、Opus-5、GPT-5.6-sol 分別只有 53.93%、52.86%、51.55%。測試中模型先觀看成功示範影片，但拿不到物體座標與專家軌跡，需自行決定是否消耗步數切換視角，並直接給出移動距離、旋轉角度與夾爪開合時機。
Kimi blog● 精選AI 評分75
Kimi 發布 PerceptionBench，16 個前沿多模態模型準確率均不足 60%
Kimi Team 發布 PerceptionBench，從 42 個基準的模型失敗案例中歸納出 10 類原子視覺感知能力，建置 3000 道經人工驗證的題目，每題只考感知、不需推理或外部知識。在 16 個前沿多模態大模型上，沒有模型準確率達到 60%，感知相關幻覺平均表現最差；總分接近的模型在實際感知內容上也可能差異明顯。
Kimi blog● 精選AI 評分72
Kimi 開源 WorldVQA 基準，評測多模態模型視覺世界知識
Kimi 團隊開源 WorldVQA 基準，用 3500 組圖文問答檢驗多模態大模型是否真的認出了圖中的實體，而不是僅憑視覺模式猜測。資料集覆蓋 9 大類，中文佔 36%、英文佔 64%，並把常見知識與長尾知識分開統計；結果顯示，前沿模型在長尾題上的準確率常常低於 50%。校準實驗還發現，各模型普遍過度自信；其中表現最好的 Kimi-K2.5，其 ECE 仍達 37.9%，Slope 為 0.550。
Kimi blog● 精選AI 評分75
Kimi 發布 PerceptionBench，16 個前沿多模態模型準確率均不足 60%
Kimi 團隊發布 PerceptionBench，這是從 42 個現有基準中的真實模型失敗裡歸納出視覺感知能力的評測集，包含 10 類原子感知能力：視覺關係、計數、屬性、深度與 3D、定位、比較、細粒度識別、上下文整合、OCR 與幻覺；共 3000 道經驗證題目，只需看圖即可作答，不依賴推理或外部知識。在 16 個前沿多模態大模型上，沒有一個模型準確率達到 60%，感知相關的幻覺平均是最弱項，總分接近的模型在實際感知內容上也可能差別很大。
llama.cpp releasesAI 評分58
llama.cpp b11551 加入 MiniCPM-V 4.7 支援
llama.cpp 建置 b11551 新增 MiniCPM-V 4.7 多模態模型支援，mtmd 與 conversion/minicpm.py 轉換指令碼同步更新。同時允許 mrope 的時間從額外位置槽讀取，GGUF 新增 rope.section_order 後設資料，並處理 grid layout 與相容性問題。
Ollama blog● 精選AI 評分87
Meta 首個開源模型 Muse Glimmer 上線 Ollama
Meta Superintelligence Labs 的首個開源模型 Muse Glimmer 已在 Ollama 上線，採用 Apache 2.0 許可。它是 30B 多模態模型，面向本地執行的 agent 工作負載，上下文長度 128K 以上，支援 low 到 xhigh 四檔推理強度。
X @ollama● 精選AI 評分65
@ollama: .@GoogleDeepMind EmbeddingGemma 2 is now available on Ollama.
Google DeepMind 的 EmbeddingGemma 2 已上線 Ollama，執行 ollama pull embeddinggemma-2 即可拉取。訊息由 Ollama 官方帳號在 10 月 6 日發布，官方稱該模型面向消費級裝置，並且是多模態模型。原文未披露模型體積、上下文長度與具體支援的模態等細節。
Hacker News front pageAI 評分68
Liquid AI 發布 LFM3：六個 2B 級多模態開源模型
Liquid AI 發布 LFM3 家族，首發六個約 2B 引數的多模態模型，均源自同一 LFM3-1.7B-Base 骨幹，覆蓋文字、視覺、音訊、omni 以及兩個決策模型。基座以 22T tokens 預訓練，最後 3.5T tokens 的中期訓練將上下文擴至 256K。架構由門控短卷積、256 token 滑窗注意力與全域性注意力三混合而成，8K 上下文下比 LFM2 快約 25%。
Google Developers blog● 精選AI 評分78
EmbeddingGemma 2 發布：740M 開源多模態嵌入模型
EmbeddingGemma 2 是一個 740M 引數的開源權重多模態模型，把文字、影像、影片與音訊對映到統一向量空間，面向隱私優先的端側檢索。開發者可用 MediaPipe Tasks 跨平台整合，或通過 LiteRT 在 CPU、GPU、NPU 上做細粒度效能最佳化。模型支援邊輸入邊搜的媒體檢索、影片關鍵幀定位與零樣本意圖路由等超低延遲本地場景。
機器之心● 精選AI 評分70
Claude Opus 5.5 機器人評測 76.28 分，0.29 分險勝 GPT-6 Astra
RoboColiseum 10 月 20 日發布的評測顯示，Claude Opus 5.5 在四款多模態模型直接指揮機器人的對比中以 76.28 分居首，GPT-6 Astra 以 75.99 分緊隨，僅差 0.29 分，GPT-6.1 Sol 與 Gemini 4 Argon 分別為 70.91 分和 66.86 分。不過官方總榜前兩名仍由專業具身策略模型 Paimon（77.54 分）和 HiDream-O1-Embodied（76.92 分）佔據；
NVIDIA blogAI 評分59
Mistral Large 4 用 3800 塊 GB200 訓練，輝達歐洲雲合作伙伴同步擴容
輝達在歐洲的雲合作伙伴集體擴容，其中 Mistral 在自有歐洲資料中心用 3800 塊 Grace Blackwell GPU 訓練出最新前沿多模態模型 Mistral Large 4，覆蓋編碼、agentic 工作流與多模態理解，其 Vera Rubin 基礎設施計劃 2027 年交付。Nscale 用 GB300 NVL72 與 DSX MaxLPS，在同等供電預算下多部署 37% 的 GPU，聚合推理吞吐提升近 50%。
量子位● 精選AI 評分82
何愷明團隊發布視覺原生 Harness 框架 VISTA
何愷明團隊提出視覺原生 Harness 框架 VISTA，讓現有多模態模型無需重新訓練，就能儲存原始畫面並在推理時按需回看、放大細節。VISTA 把環境返回的每幀畫面按回合號、幀號索引存到上下文之外，預設只向模型展示最後一幀，需要時用 inspect 工具調取歷史畫面。搭配該框架，Claude Opus 5.0 通關 ARC-AGI-3 全部 25 個公開遊戲，動作效率得分滿分 100，所用動作數比人類首次遊玩基線少 57.4%；