全部 AI 动态

[ QWEN ]浏览 0

技术Meng Shaomeng shao2026/08/11 10:16 当日精选

[开源推荐] Qwen-MM-Plugins 千问团队开源的「原生多模态插件集」，把"读图 / 读视频 / 读文档 / 听音 / 建模"等视觉与多模态能力，以 MCP 形式注入任意 Agent h...

千问团队开源多模态插件集Qwen-MM-Plugins，以MCP形式将视觉、视频、音频等能力注入Agent，使纯文本Agent获得多模态能力。

千问团队开源了Qwen-MM-Plugins多模态插件集，以MCP形式将视觉、视频、音频、3D建模等能力注入智能体框架，使纯文本智能体获得多模态能力。该项目采用Skill+MCP双层解耦，提供七大能力模块，包括视觉基础、长视频记忆、音视频理解、生成剪辑、3D建模、CAD和讲题视频生成，降低了多模态智能体的开发门槛。核心观点： 1. 项目采用Skill+MCP双层解耦，Skill是模型侧提示词资产，MCP server是工具本体，进程隔离依赖隔离。 2. 长视频记忆模块支持2小时级超长视频问答，首次提问自动构建层次化图记忆与语义检索。 3. 提供七大能力模块，覆盖视觉基础、音视频理解、生成剪辑、3D建模、CAD等，可灵活组合。

推荐理由常规版本更新，跟进即可

多模态MCP智能体视觉理解

67/100查看详情

[ SIGNAL ]浏览 0

产品Replicate2026/08/05 01:38 当日精选

Black Forest Labs 发布了 FLUX 3 Video 多模态模型，支持视频、音频、图像生成及动作预测，现已在 Replicate 平台可用

Black Forest Labs 发布了 FLUX 3 Video 多模态模型，支持视频、音频、图像生成及动作预测，现已在 Replicate 平台可用。

Black Forest Labs 发布 FLUX 3 Video 多模态模型，统一视频、音频、图像生成及动作预测，现已在 Replicate 上线。支持生成20秒1080p视频，具备原生音频、文本/图像到视频、视频延续、多语言对话等功能，并提供草稿模式快速探索创意。开发者可通过 Replicate 直接调用，简化多模态生成开发，降低实验成本。核心观点： 1. FLUX 3 Video 统一了视频、音频、图像生成及动作预测，是多模态模型。 2. 支持生成最长20秒、最高1080p的视频，具备原生音频和多帧图像到视频功能。 3. 提供 Draft 模式，以较低成本快速探索创意。

同事件合集2 条来源

主线Replicate2026/08/05 01:38

Black Forest Labs 发布了 FLUX 3 Video 多模态模型，支持视频、音频、图像生成及动作预测，现已在 Replicate 平台可用

FLUX 3 Video from @bfl_ai i now on Replicate! One multimodal model for video, audio, image, and action-prediction, with video relea

查看来源

2歸藏2026/08/06 22:19

阿里的 Wan 3.0 视频生成模型也发布了，看起来也挺厉害啊！它支持原生 30 秒的视频生成，支持 1080P。并且支持“全能参考”：不只是文本、图像、视频、音频，...

阿里的 Wan 3.0 视频生成模型也发布了，看起来也挺厉害啊！ 它支持原生 30 秒的视频生成，支持 1080P。 并且支持“全能参考”：不只是文本、图像、视频、音频，它还支持文档、表格、PPT、网页、Markdown 格式等一系列你能想到的信息。<

查看来源

推荐理由常规版本更新，跟进即可

多模态视频生成音频生成图像生成

70/100查看详情

[ SIGNAL ]浏览 0

产品歸藏歸藏(guizang.ai)2026/07/23 23:43 当日精选

果然发布了！ Black Forest Labs 发布和开源 Flux 3 视频生成模型，功能非常强大： 1. 基础生成：支持文生视频、图生视频（可以把图片作为参考，也可以作为起始...

Black Forest Labs 发布并开源 Flux 3 视频生成模型，支持文生视频、图生视频、关键帧控制等多项功能，未来将开放 API 和开源版本。

Black Forest Labs 发布并开源 Flux 3 视频生成模型，支持文生视频、图生视频、视频参考生成、视频与音频延长、关键帧控制、多语言对话、智能剪辑、文字与动画及图像输出等多种功能。目前模型仅限早期访问申请，未来几周将开放 API 访问，随后开源 Flux 3 Dev 版本。开发者可提前申请体验，为视频生成应用提供新选择。核心观点： 1. Flux 3 支持文生视频、图生视频及视频参考生成，可基于参考片段生成新视频。 2. 模型提供关键帧控制、智能剪辑和文字动画生成等高级功能。 3. Flux 3 Dev 模型将开源，但当前仅限早期访问，API 将在未来几周开放。

推荐理由常规版本更新，跟进即可

视频生成开源Flux 3文生视频

68/100查看详情

[ SIGNAL ]浏览 0

产品MiniMaxMiniMax (official)2026/06/13 03:39 本月精选

MiniMax 发布开源权重模型 M3，支持 1M 上下文与原生多模态，具备前沿编码与 Agent 能力

MiniMax 发布开源权重模型 M3，支持 1M 上下文与原生多模态，具备前沿编码与 Agent 能力。

MiniMax 发布开放权重模型 MiniMax M3。该模型总参数量约 428B、激活参数量约 23B，支持 1M-token 上下文窗口与原生多模态理解，并具备前沿编码与 Agent 能力。模型权重已上架 Hugging Face，同时发布了 MiniMax Sparse Attention 论文。开发者可直接下载部署，在超长上下文、多模态及 Agent 场景中进行应用开发与评测。核心观点： 1. MiniMax M3 总参数量约 428B，激活参数量约 23B，以开放权重形式发布。 2. 模型支持 1M-token 上下文窗口，具备原生多模态理解及前沿编码与 Agent 能力。 3. 权重已上架 Hugging Face，并配套发布 MiniMax Sparse Attention 技术论文。

同事件合集8 条来源

主线MiniMax2026/06/13 03:39

MiniMax 发布开源权重模型 M3，支持 1M 上下文与原生多模态，具备前沿编码与 Agent 能力

RT GMI Cloud MiniMax M3 i live on GMI M3 i the fir t open-weight model combining frontier coding & agent capabilitie , 1M-to

查看来源

2MiniMax2026/06/13 12:01

MiniMax 宣布开源 M3 模型权重，开发者可直接获取并使用该模型

M3 would never 🙂‍↔️ A a matter of fact, the weight are now open, too. http ://huggingface.co/MiniMaxAI/MiniMax-M3<hr tyle="

查看来源

3MiniMax2026/06/13 10:44

MiniMax 与 Together AI 合作上线开源多模态模型 M3，支持 1M 上下文和稀疏注意力，推理速度更快

M3 i running together 🤝 with @togethercompute, and with fa ter-than-ever inference<hr tyle="border:0;border-top:1px olid #80808030;margin

查看来源

4MiniMax2026/06/13 10:33

MiniMax 发布 M3 模型，具备前沿编码、智能体能力、原生图像视频输入、计算机使用及 1M 上下文窗口，核心采用 MSA 稀疏注意力架构

the kernel are doing the lord' work today, day-0 on @vllm_project, verified on nvidia and amd. go read the writeup 👇<hr tyle="bor

查看来源

5MiniMax2026/06/13 05:16

MiniMax 发布开源模型 M3，采用新型稀疏注意力架构 MSA，支持 1M 上下文与原生多模态，vLLM 实现 day-0 推理支持

day-0 in @vllm_project and it come with: dedicated MSA prefill/decode kernel , 1M-context erving with prefix caching + chunked pref

查看来源

6MiniMax2026/06/13 05:13

MiniMax 宣布 M3 模型正式接入 Factory AI Droid 平台，为开发者提供更多模型选择与推理能力

M3 now on @FactoryAI droid<hr tyle="border:0;border-top:1px olid #80808030;margin:12px 0;"><div cla ="r hub-quote">Factory: MiniMax M3 ha

查看来源

7MiniMax2026/06/13 04:58

MiniMax 开源发布 M3 模型，以 428B 总参数/23B 激活参数支持 1M 上下文与原生多模态能力

With only ~428B param , and ~23B activated param M3 till handle frontier coding + long-horizon agent + native multimodal (text, i

查看来源

8MiniMax2026/06/13 03:52

MiniMax 发布开放权重模型 M3，SambaNova 宣布将推动该模型后续在 RDU 硬件上运行，拓展其部署生态

appreciate it @SambaNovaAI 🤝 looking forward to M3 on RDU <hr tyle="border:0;border-top:1px olid #80808030;margin:12px 0;"><div cla ="r hu

查看来源

推荐理由常规版本更新，跟进即可

Agent多模态长上下文稀疏注意力

74/100查看详情

[ GEMINI ]浏览 1◆ 1

产品Google AI2026/06/13 00:55 当日精选

Google 本周发布 Gemini 3.5 Live Translate、升级 NotebookLM 代理与推理能力、全球推出 Project Genie，并开源实验性文本扩散模型 DiffusionGemma

Google 本周发布 Gemini 3.5 Live Translate、升级 NotebookLM 代理与推理能力、全球推出 Project Genie，并开源实验性文本扩散模型 DiffusionGemma。

Google 本周密集发布多款 AI 产品与技术更新：推出 Gemini 3.5 Live Translate 实时语音翻译音频模型；升级 NotebookLM，新增聊天智能体能力、增强推理及多种输出格式；Project Genie 向全球 Google AI Ultra 5x 订阅者开放；Gemini App 的 Notebooks 扩展至欧洲经济区等地；并开源实验性文本扩散模型 DiffusionGemma。对开发者而言，DiffusionGemma 提供了探索非自回归文本生成的新路径，NotebookLM 的升级则强化了 AI 智能体在知识工作流中的实用价值。核心观点： 1. NotebookLM 升级新增聊天智能体能力、更高级推理及新输出格式套件。 2. Project Genie 现面向 Google AI Ultra 5x 订阅者全球推出。 3. DiffusionGemma 是实验性开放模型，采用文本扩散方法实现极快的文本生成。

推荐理由常规版本更新，跟进即可

Agent文本扩散实时翻译开源模型

73/100查看详情

[ GEMINI ]浏览 0

产品Google DeepMind Blog2026/06/09 22:10 当日精选

Google DeepMind 发布了 Gemma 4 12B 模型，这是一款统一的无编码器多模态模型，为开发者提供轻量级多模态能力补录

Google DeepMind 发布了 Gemma 4 12B 模型，这是一款统一的无编码器多模态模型，为开发者提供轻量级多模态能力。

Google DeepMind 发布了 Gemma 4 12B 模型，这是一款统一的无编码器多模态模型，旨在为开发者提供轻量级的多模态能力。该模型无需传统编码器即可处理多种输入模态，降低了部署复杂度。对开发者而言，这意味着可以在资源受限的环境中集成多模态功能，拓展了轻量级 AI 应用的可能性。核心观点： 1. Gemma 4 12B 采用无编码器架构，简化了多模态模型的部署流程。 2. 该模型为 12B 参数规模的轻量级设计，适合资源受限的开发场景。

推荐理由常规版本更新，跟进即可

多模态轻量级模型无编码器架构模型发布

72/100查看详情

[ SIGNAL ]浏览 0

技术Tencent HunyuanTencent Hy2026/06/08 13:54 当日精选

腾讯混元联合多所高校发布MMAE，首个大规模多任务音频编辑基准，评估模型按指令精确修改音频的能力，当前模型精确匹配率低于5%补录

腾讯混元联合多所高校发布MMAE，首个大规模多任务音频编辑基准，评估模型按指令精确修改音频的能力，当前模型精确匹配率低于5%。

腾讯混元联合上海交通大学、新加坡南洋理工大学等多所高校发布MMAE，这是首个大规模多任务音频编辑基准。MMAE要求AI理解现有音频并根据自然语言指令精确修改，而非简单生成。基准包含2000个真实场景样本、17741个细粒度评估项，覆盖7种模态、6级任务复杂度、8种操作类型。当前模型精确匹配率（EMR）低于5%，揭示了可靠音频编辑能力的重大缺口，为开发者提供了明确的评测标准。核心观点： 1. MMAE包含2000个高保真样本和17741个细粒度评估项，覆盖声音、音乐、语音及其混合共7种模态。 2. 当前模型在MMAE上的精确匹配率（EMR）低于5%，表明音频编辑能力存在显著不足。 3. MMAE设计了6级任务复杂度，从基础修改到多跳推理和多轮编辑，以及8种操作类型覆盖局部和全局粒度。

同事件合集3 条来源

主线Tencent Hunyuan2026/06/08 13:54

腾讯混元联合多所高校发布MMAE，首个大规模多任务音频编辑基准，评估模型按指令精确修改音频的能力，当前模型精确匹配率低于5%

Can AI truly edit audio, not ju t generate it? 🎧 Tencent Hy, in collaboration with SJTU, SII, NTU, TJU, ZODA, PKU, FDU, and other col

查看来源

2Tencent Hunyuan2026/06/08 13:54

腾讯混元联合多所高校发布 MMAE 基准测试，首次系统评估 AI 对音频的精确编辑能力，暴露出现有模型可靠率不足 5% 的显著差距

Can AI truly edit audio, not ju t generate it? 🎧 Tencent Hy, in collaboration with SJTU, SII, NTU, TJU, ZODA, PKU, FDU, and other col

查看来源

[ SIGNAL ]浏览 2

产品Google AI2026/06/06 01:01 本月精选

Google 本周发布 Gemma 4 12B 端侧多模态模型、Nano Banana 2/Pro 企业智能体平台、Co-Scientist 科研多智能体系统及 Magenta RealTime 2 实时音乐模型补录

Google 本周发布 Gemma 4 12B 端侧多模态模型、Nano Banana 2/Pro 企业智能体平台、Co-Scientist 科研多智能体系统及 Magenta RealTime 2 实时音乐模型。

Google 本周密集发布多款 AI 产品。Gemma 4 12B 作为统一的 encoder-free 多模态模型，支持笔记本端完全离线运行，并通过 Quantization-Aware Training (QAT) 降低内存占用；Nano Banana 2 与 Nano Banana Pro 企业智能体平台正式商用；Co-Scientist 科研多智能体系统可生成并优化科学假设；Magenta RealTime 2 开放权重实时音乐模型支持 MIDI 与手势交互。对开发者而言，端侧部署与企业智能体工具链得到显著增强。核心观点： 1. Gemma 4 12B 采用 encoder-free 架构，支持笔记本完全离线运行多模态任务。 2. Gemma 4 及其 drafters 经 Quantization-Aware Training (QAT) 优化，可降低内存需求并最大化端侧性能。 3. Magenta RealTime 2 为开放权重实时音乐模型，支持通过 MIDI 键盘、文本提示和手势进行演奏交互。

同事件合集8 条来源

主线Google AI2026/06/06 01:01

Google 本周发布 Gemma 4 12B 端侧多模态模型、Nano Banana 2/Pro 企业智能体平台、Co-Scientist 科研多智能体系统及 Magenta RealTime 2 实时音乐模型

Here’ thi week’ hipping recap 👇 — Nano Banana 2 & Nano Banana Pro are now GA and available via the Gemini Enterpri e Agent Pl

查看来源

2Google Gemini2026/06/11 23:41

Notebooks in Gemini are now available in the European Economic Area, United Kingdom, and Switzerland. With notebooks, you can organize your projects i...

Notebook in Gemini are now available in the European Economic Area, United Kingdom, and Switzerland. With notebook , you can organiz

[ SIGNAL ]浏览 0

OpenRouter2026/06/06 00:00 当日精选

微软发布MAI-Image-2.5图像生成与编辑模型

微软AI发布MAI-Image-2.5图像生成与编辑模型，具备强照片级真实感、精确编辑和细节处理能力。该模型宣传图由自身生成，用户可通过Playground或OpenRouter体验。

推荐理由常规版本更新，跟进即可

图像生成微软MAI-Image-2.5多模态

72/100查看详情

当前热点

[开源推荐] Qwen-MM-Plugins 千问团队开源的「原生多模态插件集」，把"读图 / 读视频 / 读文档 / 听音 / 建模"等视觉与多模态能力，以 MCP 形式注入任意 Agent h...

Black Forest Labs 发布了 FLUX 3 Video 多模态模型，支持视频、音频、图像生成及动作预测，现已在 Replicate 平台可用

果然发布了！ Black Forest Labs 发布和开源 Flux 3 视频生成模型，功能非常强大： 1. 基础生成：支持文生视频、图生视频（可以把图片作为参考，也可以作为起始...

MiniMax 发布开源权重模型 M3，支持 1M 上下文与原生多模态，具备前沿编码与 Agent 能力

Google 本周发布 Gemini 3.5 Live Translate、升级 NotebookLM 代理与推理能力、全球推出 Project Genie，并开源实验性文本扩散模型 DiffusionGemma

Google DeepMind 发布了 Gemma 4 12B 模型，这是一款统一的无编码器多模态模型，为开发者提供轻量级多模态能力补录

腾讯混元联合多所高校发布MMAE，首个大规模多任务音频编辑基准，评估模型按指令精确修改音频的能力，当前模型精确匹配率低于5%补录

Google 本周发布 Gemma 4 12B 端侧多模态模型、Nano Banana 2/Pro 企业智能体平台、Co-Scientist 科研多智能体系统及 Magenta RealTime 2 实时音乐模型补录

微软发布MAI-Image-2.5图像生成与编辑模型