技术方向
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。
48 条精选近 30 天 25 条共收录 134 条
Mira Murati@miramurati精选AI 评分7878Today, 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 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 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。
Xiaomi MiMo@XiaomiMiMo精选AI 评分7373推荐理由：官方给出 MiMo Code 的开源入口、内置模型与 Claude Code 兼容迁移路径，可据此判断终端编码工具的选型。
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。