智谱开源 GLM-OCR 多模态文档理解模型
智谱发布并开源 GLM-OCR 多模态 OCR 模型，基于 GLM-V 编码器-解码器架构，采用多 Token 预测（MTP）损失和全任务强化学习，在 OmniDocBench V1.5 上得分 94.62，排名第一。
推荐理由：官方给出 0.9B 参数、OmniDocBench V1.5 得分与多框架部署方式，可据此判断轻量 OCR 的落地成本。
技术方向
多模态 最新动态
文字之外的能力：看懂图片、图文混合理解、音视频输入输出的模型与产品进展。
37 条精选近 30 天 17 条共收录 75 条
更新
精选归档 · 第 2 页
智谱 GLM 模型发布精选AI 评分6060
DeepSeek@deepseek_ai精选AI 评分7272DeepSeek 发布 DeepSeek-V4.1-Flash，称其为新架构家族中参数规模最小的模型，并原生支持视觉理解。官方表示该模型面向更强能力、更快推理和更高吞吐设计，并可扩展至更大模型。
推荐理由：DeepSeek 新架构家族的最小模型，原生支持视觉理解，并强调推理速度与吞吐。
月之暗面 Kimi 模型发布精选AI 评分8888 月之暗面开源 Kimi K3：2.8T 参数原生多模态模型，支持 100 万 token 上下文
月之暗面发布开源权重模型 Kimi K3，总参数 2.8T、激活参数 104B，基于 KDA 与 AttnRes 架构，原生支持文本、图像、视频并具备 100 万 token 上下文窗口。
推荐理由：月之暗面开源 2.8T 参数原生多模态模型，给出完整架构参数与多榜单对比，可据此判断开源前沿模型的当前水位。
DeepSeek 模型发布精选AI 评分7272 DeepSeek 发布实验性多模态模型 DeepSeek-V4-Flash-Vision-Exp
DeepSeek 发布 DeepSeek-V4-Flash-Vision-Exp，这是 DeepSeek-V4 系列首个实验性多模态模型，在 DeepSeek-V4-Flash 架构上加入视觉模块并继续训练。
推荐理由：DeepSeek 首次把视觉模块接入 V4-Flash，并给出多模态与纯文本智能体基准的对照数据。
- DeepSeek@deepseek_ai精选AI 评分7575
DeepSeek 在 API 平台上线实验性多模态模型 DeepSeek-V4-Flash-Vision-Exp，调用时使用 model='deepseek-v4-flash-vision-exp'。
推荐理由：官方给出新模型与 V4-Flash 的文本能力对照，以及多模态智能体基准上的提升幅度，便于判断是否值得接入。
字节 Seed 模型发布精选AI 评分6666 字节开源 Bernini-Diffusers-v2 视频生成与编辑管线
字节发布 Bernini-Diffusers-v2，把 Qwen2.5-VL-7B 语义规划器、Bernini 规划权重与 Wan2.2-T2V-A14B 扩散组件打包成一个自包含的 diffusers 格式目录。
推荐理由：字节开源 Bernini-Diffusers-v2 完整语义规划管线，读者可据此判断视频生成与编辑的指令遵循能力边界。
MiniMax 模型发布精选AI 评分8282 MiniMax 开源全模态生成系统 MiniMax-H3，支持 2K 视频与立体声
MiniMax 发布全模态生成系统 MiniMax-H3，可统一理解文本、图像、视频和音频，并生成带原生立体声的视频，分辨率最高 2K、时长 4–15 秒。
推荐理由：原文完整披露了 H3 的三模块架构、开源范围与本地部署命令，读者可据此判断哪些能力需要走 API 补齐。
Mira Murati@miramurati精选AI 评分7878引用Thinking Machines@thinkymachinesToday, we are releasing Inkling-Small. Inkling-Small achieves comparable performance to Inkling at a quarter of its size. It features 276B total parameters, 12B active. We are making the full weights available. https://thinkingmachines.ai/news/inkling-small/ Fine-tune it on Tinker today, or chat with it in text, image, and audio on Tinker Playground.
推荐理由：Inkling-Small 以四分之一体量达到与 Inkling 相当的性能，并开放完整权重，读者可据此判断小模型的部署与微调空间。
MiniMax 模型发布精选AI 评分8282 MiniMax 发布原生多模态模型 MiniMax-M3，支持 1M 上下文
MiniMax 发布原生多模态模型 MiniMax-M3，参数量约 428B、激活参数约 23B，支持 1M 上下文。该模型从训练第一步起就进行混合模态训练，并引入 MiniMax Sparse Attention（MSA），在 1M 上下文下相比 M2 实现 9 倍 prefill 和 15 倍 decode 加速，单 token 计算量降至 1/20。
推荐理由：原文给出参数量、稀疏注意力和长上下文加速数据，读者可据此判断百万 token 场景的部署成本变化。
字节 Seed 模型发布精选AI 评分7171 字节发布 UniVR-34B 视觉推理模型并开源权重
字节发布 UniVR，一个基于 Emu3.5（34B）的视觉推理框架，直接在视觉空间生成推理轨迹，不依赖中间文本链。模型经 VR-X 数据集 SFT 冷启动和 VR-GRPO 强化学习训练，在 VR-X 基准上较 Emu3.5 基线最高提升 25%，整体得分 58.2，接近 Gemini 3 Pro + Nano Banana 2 的 66.1。
推荐理由：字节开源 34B 视觉推理模型，在自建 VR-X 基准上较 Emu3.5 基线提升最多 25%，并给出可下载权重与训练脚本。
- Mira Murati@miramurati精选AI 评分7878引用Thinking Machines@thinkymachines
Today, we are introducing Inkling. Inkling reasons efficiently across text, image, and audio modalities. We are making the full weights available. https://thinkingmachines.ai/news/introducing-inkling/ Available today for fine-tuning on Tinker. Play with it in the Inkling Playground. 🧵
推荐理由：Thinking Machines 首款模型从零训练并开放权重，读者可据此了解其多模态推理定位与微调入口。
MiniMax 模型发布精选AI 评分8080 MiniMax 发布原生多模态模型 MiniMax-M3 及 MXFP8 量化版
MiniMax 发布原生多模态模型 MiniMax-M3，并同步提供 MXFP8 量化版本 MiniMax-M3-MXFP8。
推荐理由：原文给出 M3 的参数量、稀疏注意力带来的长上下文加速倍数与三种推理模式，便于判断其部署与调用方式。
字节 Seed 模型发布精选AI 评分7070 字节开源 Bernini-Diffusers 完整视频生成与编辑管线
字节 Seed 开源 Bernini-Diffusers，将基于 Qwen2.5-VL 的语义规划器、Bernini 规划权重与 Wan2.2 扩散组件打包为自包含目录，官方推荐用于复杂视频编辑请求。
推荐理由：字节开源完整 Bernini 视频生成与编辑管线，读者可据此了解其语义规划加渲染的两段式结构及与 Bernini-R 的差异。
阶跃星辰模型发布精选AI 评分6060 阶跃星辰发布 Step-3.7-Flash GGUF 量化版本
阶跃星辰为 198B 参数稀疏 MoE 视觉语言模型 Step-3.7-Flash 发布 GGUF 量化版本，含 BF16 到 IQ3_XXS 共 7 个语言量化档位及 4 GB 的 F16 视觉投影器。
推荐理由：原文给出各量化档位的体积与三款 128 GB 统一内存设备上的实测吞吐，可据此判断本地私有部署的可行边界。
阶跃星辰模型发布精选AI 评分7272 阶跃星辰发布 Step 3.7 Flash 视觉语言模型
阶跃星辰发布 Step 3.7 Flash，这是一个 198B 参数的稀疏 MoE 视觉语言模型，由 196B 参数语言主干与 1.8B 参数视觉编码器组成，每 token 约激活 11B 参数，吞吐最高 400 tokens/s，支持 256k 上下文窗口和低中高三档推理等级。
推荐理由：原文给出稀疏 MoE 视觉语言模型的参数规模、三档推理等级与定价，可据此判断高频智能体工作流的成本与部署选择。
月之暗面 Kimi 模型发布精选AI 评分8585 月之暗面开源 Kimi K2.6 多模态智能体模型
月之暗面发布开源原生多模态智能体模型 Kimi K2.6，采用 MoE 架构，总参数 1T、激活参数 32B，上下文长度 256K，视觉编码器为 400M 参数的 MoonViT。
推荐理由：模型卡给出完整架构、评测对比和部署方式，可据此判断开源多模态智能体模型的当前水平。
月之暗面 Kimi 模型发布精选AI 评分8585 月之暗面开源 Kimi K2.5 原生多模态智能体模型
月之暗面发布开源原生多模态智能体模型 Kimi K2.5，在 Kimi-K2-Base 上以约 15 万亿视觉与文本混合 token 持续预训练而成。模型采用 MoE 架构，总参数 1T、激活参数 32B，上下文长度 256K，配备 400M 参数的 MoonViT 视觉编码器，支持即时与思考两种模式。
推荐理由：月之暗面开源原生多模态智能体模型，1T 总参数与 Agent Swarm 设计给出了与闭源旗舰对比的完整基准。