国产开源模型OXR登顶三大文档解析榜，1.3B参数靠RSI自进化训练
国产开源文档解析模型OXR以1.3B参数量在OmniDocBench（97.18）、olmOCR-Bench（87.84）和DocParsingBench（87.76）三个榜单登顶，代码、权重和评测流程全部开源。
推荐理由：读者可了解1.3B小模型如何靠RSI自进化训练在文档解析三榜登顶，以及可插拔架构带来的部署取舍。
技术方向
多模态 最新动态
文本之外的能力：视觉理解、图文混合、音视频输入输出的模型与产品进展。
20 条精选近 30 天 18 条共收录 103 条
更新
多模态的精选
量子位精选AI 评分7474
量子位精选AI 评分7676 Genspark Media Studio 上线视频 Agent 工作台
Genspark 发布视频 Agent 工作台 Media Studio，接入 20 多家厂商的 70 多个模型版本，由大语言模型担任导演负责写剧本和调度视频、图像、音频模型。
推荐理由：作者完整实测了从rap视频到短剧的生成流程，读者可据此判断多模型编排的实际产出质量与积分消耗。
Latent Space精选AI 评分7474 Google DeepMind 发布 Gemini 4 Carbon，登顶多个榜单并优先开放给网络安全防御方
Google DeepMind 发布新一代前沿模型 Gemini 4 Carbon，距 Argon 发布约两周，在 Artificial Analysis Intelligence Index v5 上以 59 分排名第一，并领先 HLE-Diamond、TB-Science 等 4 项子评测。
推荐理由：汇总了 Gemini 4 Carbon 在多个独立榜单上的位置与定价，并列出编码、幻觉率等具体对比数据。
爱范儿精选AI 评分7272 实测即梦短剧工作室：DreamScript、Anycook、DreamShot 串起短剧制作流程
即梦推出短剧工作室，把剧本创作、角色与场景资产管理、3D 导演台、智能预演、片段重拍和超分等功能放进同一套项目流程。自研剧本模型 DreamScript 可按题材标签直接生成完整剧本，图片模型 Anycook 生成的角色与场景可沉淀为后续镜头反复调用的资产，分镜模型 DreamShot 负责把剧本拆成镜头。
推荐理由：作者完整走了一遍从剧本到成片再到局部重拍的流程，读者可据此判断这套工作流在哪些环节省掉了重复生成。
Hugging Face Blog精选AI 评分7171 NVIDIA 发布 Nemotron 3.5 Transcribe 与 Granary v2 数据管线
NVIDIA 发布开源权重模型 Nemotron 3.5 Transcribe，将转写、说话人分离、翻译和音频问答整合到一个 checkpoint，支持 40 种语言转写、31 种语言与英语互译、13 种语言说话人标注，可处理最长 1 小时录音、最多 8 位说话人。
推荐理由：原文给出多语言转写、说话人分离与提示词控制的具体能力，以及配套数据管线和微调配方，便于评估落地方式。
Hugging Face Blog精选AI 评分7373 Liquid AI 发布 LFM3 系列：六个 2B 级多模态模型共享同一骨干
Liquid AI 发布 LFM3 新一代 Liquid Foundation Models，把文本、视觉、音频、omni 和决策模型统一到 2B 参数级的同一骨干上，全部开源权重并已在 Hugging Face 上线。
推荐理由：Liquid AI 公布 LFM3 系列六个 2B 级模型共享同一骨干，并给出单卡微调与端侧部署路径，可据此判断小模型专用化路线。
Google DeepMind精选AI 评分7171 Google DeepMind 发布世界模型 Genie 4
Google DeepMind 发布世界模型 Genie 4，原生支持多模态，可在生成世界的同时生成音乐、环境音与交互对话。Genie 4 支持用自然语言实时修改场景，并借助 Gemini 3.8 Flash 作为引导智能体拆解多步任务、校验执行进度。
推荐理由：官方披露了原生音频、实时文本操控与 Gemini 引导推理三项能力，可据此判断世界模型与语言模型结合后的交互形态。
量子位精选AI 评分7575 模思智能与OpenMOSS开源5B生图模型MOSS-Image，4天海外下载超130万次
模思智能与OpenMOSS团队开源发布5B参数生图模型MOSS-Image，上线4天在海外社区收获130万次下载，GitHub获1.4k Stars并登顶Hugging Face文生图趋势榜。
推荐理由：文章梳理了MOSS-Image的架构、文字渲染与布局控制指标，以及社区加速、量化版本的适配情况。
爱范儿精选AI 评分7878 VAST 开源实时世界模型 EdenLive，并发布编程智能体 skill EdenGolem
VAST 开源 Project Eden 系列中的实时生成式渲染器 EdenLive，包含 5B、14B 模型权重（各含双向生成与少步流式生成两个版本）、实时流式推理代码、前端工作台和技术报告。
推荐理由：VAST 开源实时世界模型 EdenLive 的权重与推理代码，读者可据此了解生成式渲染与上游交互系统分工的架构思路。
量子位精选AI 评分8383 谷歌发布 Gemini 4 Argon，API 限时半价
谷歌正式面向全球开发者、企业及付费订阅用户陆续开放 Gemini 4 Argon，主打编程、专业知识工作与长流程任务执行能力。API 首发价为每百万输入 token 2 美元、输出 10 美元，约为 Opus5.5 的一半，优惠截至 11 月 30 日，12 月 1 日起恢复至 4 美元和 20 美元。
推荐理由：材料给出 Gemini 4 Argon 的评测位次、API 定价与编程、多模态实测案例，可据此判断其与竞品的取舍。
The Decoder精选AI 评分7878 Meta 发布 Muse Spark Open 开源权重模型，816B 参数对标 Qwen、GLM 与 Kimi
Meta 发布开源权重模型 Muse Spark Open，参数规模 816B（激活 42B），上下文最长 100 万 token，支持文本、图像、视频和音频。
推荐理由：Meta 重返开源权重赛道，读者可对照其参数规模、上下文长度与竞品基准表现，判断开源模型格局的变化。
Hugging Face Blog精选AI 评分7878 Meta 发布开源权重多模态 MoE 模型 Muse Spark Open
Meta 发布开源权重模型 Muse Spark Open，采用 MoE 架构，总参数约 816B、每 token 激活约 42B，上下文窗口最高 100 万 token，可接收文本、图像、音频和视频输入并输出文本。
推荐理由：原文给出 816B 总参数、42B 激活的 MoE 架构与多模态输入细节，并附 vLLM、SGLang、llama.cpp 部署和 TRL 微调配方。
Hugging Face Blog精选AI 评分7878 Black Forest Labs 发布 FLUX.3 Image Klein，Diffusers 首日支持
Black Forest Labs 发布 FLUX.3 Image Klein，一个模型同时支持文生图、多参考图生图和用边界框做布局控制，两个开放 checkpoint 已上线 Hugging Face。
推荐理由：原文给出两个开放 checkpoint、布局控制用法和 H100 上的实测耗时，可据此判断接入成本与显存门槛。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 Gemini 4 Argon 机器人模型
Google DeepMind 发布 Gemini 4 Argon，主打物理理解、代码生成与视觉语义推理，在 Embodied Reasoning（ERQA）基准上以纯推理取得 87%，称超过其他前沿模型。
推荐理由：原文给出 Argon 在 ERQA 上的分数与四类机器人工作流示例，可据此判断物理推理模型在机器人栈中的落点。
Google DeepMind精选AI 评分8888 Google DeepMind 发布 Gemini 4 Argon 前沿模型
Google DeepMind 发布 Gemini 4 Argon，面向开发者、企业和消费者开放，API 定价为每百万输入 token 2 美元、输出 token 10 美元。
推荐理由：官方披露了 Argon 在编码、科研与安全对齐上的具体案例和基准表现，可据此判断前沿模型在长程任务上的能力边界。
NVIDIA Blog精选AI 评分6262 NVIDIA RTX Spark 笔记本上市前，生态伙伴推送本地 AI 软件更新
NVIDIA 宣布 RTX Spark 笔记本将于 10 月 16 日上市，最高 128GB 统一内存和 1 petaflop AI 算力，生态伙伴同步推送本地 AI 软件更新。
推荐理由：原文列出 RTX Spark 上市前生态伙伴的软件更新清单，读者可据此了解本地智能体在 PC 上的落地形态。
Latent Space精选AI 评分7171 Meta 发布 Muse Wonder 与 Muse Wonder Full 模型家族
Meta Superintelligence Labs 发布第二代模型家族 Muse Wonder 与 Muse Wonder Full，前者通过 Meta Model API 和 Muse Code 提供，后者仅限 Muse Code 订阅用户。
推荐理由：汇总了 Meta Muse Wonder 的定价、上下文规格与多家第三方评测数据，可对照 Opus 5.5 等前沿模型判断其位置。
Mistral AI精选AI 评分7878 Mistral 发布 Mistral Large 4 公开预览，1 万亿参数原生多模态模型
Mistral 发布 Mistral Large 4 公开预览，这是一个 1 万亿参数、520 亿激活参数的原生多模态模型，权重将于本月底开放。官方称其在编码、智能体工作流和多模态理解上可与全球最强开源模型竞争，在视觉定位等部分领域超过前沿闭源模型。模型在 3800 块 NVIDIA Grace Blackwell GPU 上从零训练，训练数据覆盖 160 多种语言。
推荐理由：Mistral 官方给出 ML4 的参数量、多模态与智能体编码基准，并说明权重月底开放，可据此判断开源前沿模型的竞争位置。
DeepSeek 更新日志精选AI 评分7373 DeepSeek 发布 DeepSeek-V4.1-Flash 模型
DeepSeek 正式发布 DeepSeek-V4.1-Flash，这是其全新模型结构系列中尺寸最小的模型，具备原生多模态视觉理解能力。该模型已同步上线 DeepSeek API，将模型名改为 deepseek-flash 即可调用，API 价格同步下调；旧版 V4 Flash 与 V4 Flash Vision Exp 已下线，旧模型名暂时路由到 V4.1 Flash。
推荐理由：官方更新日志给出新模型的评测分数、API 调用方式和价格下调，可据此判断替换旧版的成本与迁移路径。
DeepSeek 更新日志精选AI 评分6666 DeepSeek-V4-Flash-Vision-Exp 多模态视觉理解模型上线 API
DeepSeek 上线实验性多模态视觉理解模型 DeepSeek-V4-Flash-Vision-Exp，可通过 model='deepseek-v4-flash-vision-exp' 在 API 调用。
推荐理由：官方给出实验性视觉模型在多项 Agent 基准上的分数，并说明其纯文本能力与正式版持平。