全部 AI 动态

OpenRouter 发布视觉指南，详解通过 Chat Completions API 向多模态模型发送图像的方法。请求体采用 messages 数组，用户消息的 content 包含 text 和 image_url 两部分，支持公开 URL 或 base64 数据 URL 两种格式，兼容 PNG、JPEG、WebP 和 GIF。

Google DeepMind 发布手语转文本（SL2T）模型，为聋哑及听障用户提供新的手语功能。该模型是此次发布的突破性技术核心，旨在将手语实时转化为文本，帮助用户更顺畅地沟通。目前尚未公布具体参数规模、基准测试分数或可用性细节。

千问开放平台上线，支持APP、PC和AI眼镜三端，在眼镜端提供技能平台和行业定制两大模块。开发者可调用眼镜拍照、语音交互等能力创建导游、教练等Skill，也可为视障群体开发“身边有什么”等辅助技能。平台面向行业客户提供巡检等定制能力，并计划陆续开放空间3D立体显示、运动健康状态感知等更多眼镜能力。

MiniMax H3 技术团队在 Reddit AMA 和 ComfyUI 直播中回应开发者提问：模型不使用 MSA，稀疏注意力策略更接近 MoBA，默认仅对视频 token 做 3D sparsification，近期将发布保守版本。

Databricks 发布 FILE 原生列类型，用于在 Lakehouse 中直接存储和管理多模态数据。该类型将文件作为一等公民纳入表结构，支持图像、音频、视频等非结构化数据与结构化数据统一处理，简化了多模态数据管线的构建与查询。

SkyProduction天工短剧工作台正式接入Seedance 2.5，720P低至0.4元/秒、480P低至0.3元/秒，支持单段最长30秒视频直出、50个参考素材及10余种语言。同期推出“短剧出海转绘”功能，可将中文短剧快速本土化为欧美市场内容；三部通过该工作台创作的AI短剧已上线DramaWave，单部营收均达200万美元级别。

小红书针对“问一问”多图场景，从 Prefill 与 Decode 两端优化多模态推理：动态 Vision Token 压缩减少冗余视觉输入，SERE 专家重路由配合关键专家保护降低 Decode 阶段专家计算与权重搬运。

MiniMax H3 开源 24 小时内，华为昇腾、AMD、Intel 等 9 家国内外芯片厂商完成 Day 0 适配，Hugging Face、魔搭、ComfyUI、vLLM-Omni、SGLang、腾讯云等超百家合作伙伴 Day 0 上线。在 Artificial Analysis 所有视频评测榜单中，H3 均跻身全球前三，并在质量/价格象限中进入最优梯队，为中国模型最佳表现。

Apple 研究团队系统梳理了多模态大语言模型（MLLM）中的偏好对齐方法，将算法分为离线（如 DPO）与在线（如 online-DPO）两类，并发现两者结合可在特定场景下提升模型性能。团队还提出无需额外标注或外部模型的新型多模态偏好数据构建方法 Bias-Driven Hallucination Sampling（BDHS），在多项基准上取得与既有对齐工作相当的竞争力。

Thinking Machines 发布首个模型 Inkling，为 975B-A41B 多模态 MoE，支持文本、图像和音频输入，并推出 276B-A12B 小版本。

百度智能云在ChinaJoy发布面向AI+游戏行业的全栈解决方案，以“从算力到体验的全栈基础设施供给者”为定位，构建覆盖AI Infra和Agent Infra两层能力体系。

Runway 的实时交互数字人系统 Characters 入选 SIGGRAPH 2026 的 Real-Time Live! 环节，团队在现场用一张照片数秒内生成可对话的角色。该系统从单张图片出发，无需微调即可适配任意风格，逐帧生成画面以支持长达 30 分钟以上的连续对话。Characters 于今年 3 月上线，团队正探索可导航环境、多参考图像及记忆功能等后续方向。

奇瑞OMODA在印尼发布搭载豆包大模型的超级AI智舱，OMODA4支持5种语言交互；传音、荣耀、爱奇艺分别将Seedream/Seedance集成进手机影像与影视创作。美的将单条视频广告制作周期从7-10个工作日压缩至2-6小时，Nativex的Seedance素材已占创意产出70%-80%。

小红书 dots 团队提出 Vision-OPD，一个无需外部教师或推理工具的区域到全局在线自蒸馏框架。仅用约 6.2K 条合成数据，便让基于 Qwen3.5 的 9B 模型在六个细粒度基准上平均准确率达 79.7%，超越 Gemini-3.5-Flash、GPT-5.4 等闭源模型及 Qwen3.5-397B，且不损失通用能力。

小红书 dots 团队提出 Vision-OPD，一种区域到全局在线自蒸馏框架，让模型无需外部教师或推理工具即可从全图中识别细粒度证据。仅用约 6.2K 条全自动合成数据，Vision-OPD-9B 即在多个细粒度基准上以 79.68 平均分总体第一，超越 Gemini-3.5-Flash、GPT-5.4 等闭源模型，同时保持通用视觉任务表现。

海外独立开发者 Mohammed 用 OpenClaw + MiniCPM-V 4.6 搭建了可本地“看图”的私人助理，通过 Ollama 在本地运行模型，配合 LitServe 封装接口和自定义 vision-photo 技能，实现图片理解、OCR 与问答。

豆包联合人民教育出版社发起「经典课文名师 AI 共创计划」，邀请五位名师讲解课文，并用 AI 呈现画面。首期作品《桃花源记》由复旦大学梁永安教授讲述，Seedance 视频模型还原课文场景，以全新方式重温这一千古名篇。

国际数据公司(IDC)报告显示，百度智能云在中国AI游戏云整体市场及AI基础设施服务市场份额均居第一，超过第2-5名总和。报告预测AI游戏云市场未来5年年复合增长率约91.6%。百度智能云已为米哈游、网易、三七互娱等超半数主流头部游戏企业及百余家AI游戏创新企业提供全栈AI能力支撑。

小红书、上海交通大学、华中科技大学和北京理工大学联合提出 UniNote，将多模态表示学习与排序能力融合于单一模型。通过两阶段训练（对比 SFT 强化表示 + 强化学习排序优化），UniNote 在单次嵌入传递中实现与两阶段检索-排序范式相当的性能，并大幅降低延迟。

小红书联合上海交大、华中科大、北理工提出 UniNote，将多模态表示学习与排序优化融合于单一嵌入模型，替代传统“Embedder + Reranker”两阶段管道，在单次嵌入传递内实现相当性能并大幅降低延迟。

美团 LongCat 团队构建 MineExplorer，这是首个在开放世界中做到分钟级长程任务的评测基准，含 813 个人工验证实例（1-hop 到 4-hop）及规则化里程碑自动评测框架。