新加州理工推出Conversational Image Segmentation：对话式图像分割，让 AI 真正听懂“这个稳不稳”、“那个能不能坐”
在传统的计算机视觉中，AI 擅长回答“这是什么？”（分类）或“它在哪里？”（检测/分割）。如果你问它：“把左边那个红色的杯子框出来”，它能做得很好。 但如果你问：“哪个行李箱可以单独拿走而不弄倒整堆行...
排序
蚂蚁集团开源 ZwZ 模型：无需迭代缩放，单次 glance 实现细粒度多模态感知SOTA
当前主流的“图像思考”方法，虽能通过迭代放大感兴趣区域提升细粒度感知能力，却存在致命短板——重复的工具调用与视觉重新编码，导致推理延迟居高不下，难以适配实际应用场景。 针对这一痛点，蚂蚁集团 incl...
蚂蚁集团发布Ming-flash-omni 2.0 ：100B MoE 多模态全能模型，支持视觉百科、沉浸式语音、高动态图像生成与编辑
蚂蚁集团 inclusionAI 团队正式推出 Ming-flash-omni 2.0，搭载全新 Ling-2.0 混合专家（MoE）架构，以总参数 100B、激活参数 6B 的高效配置，在开源全能型...
阿里国际发布 Ovis2.6-30B-A3B：MoE 架构多模态大模型，低成本实现高性能视觉理解
阿里国际正式推出 Ovis2.6-30B-A3B 多模态大语言模型，作为 Ovis 系列的最新迭代版本，它在 Ovis2.5 基础上全面升级主干架构与多模态能力，以更低推理成本实现更强的长上下文、高分...
上海AI实验室发布 Intern-S1-Pro：万亿参数 MoE 多模态科学推理模型
上海AI实验室推出 Intern-S1-Pro —— 一款面向科学发现的万亿级混合专家（MoE）多模态大模型。该模型在保持强大通用能力的同时，专为 AI for Science（AI4Science...
面壁智能发布MiniCPM-o 4.5：9B参数端侧全双工多模态大模型，对标Gemini 2.5 Flash
面壁智能正式推出MiniCPM-o系列最新旗舰模型——MiniCPM-o 4.5。这款总参数量仅9B的端侧多模态大模型（MLLM），基于SigLip2、Whisper-medium、CosyVoice...
两个月再升级！HCompany推出2350亿参数Holo2-235B-A22B，刷新UI定位模型基准
距离首款Holo2模型发布仅两个月，HCompany便推出迄今最大规模的UI定位模型Holo2-235B-A22B Preview，一举在ScreenSpot-Pro基准测试中创下78.5%的新纪录...
智谱AI开源GLM-OCR：0.9B参数拿下榜单第一，支持vLLM部署，一行命令就能用
智谱AI又放出一款实用开源模型——GLM-OCR，这是一款专为复杂文档理解打造的多模态OCR模型，不仅在权威基准测试中拿下综合第一，还做到了轻量高效、易部署，关键是完全开源，个人和企业都能免费使用。 ...
优必选开源具身智能大模型Thinker：小参数、高性能，专为工业人形机器人打造
过去一年，人形机器人在实验室环境中的“场景理解”与“任务规划”能力突飞猛进。然而，一旦进入真实的工业产线，它们便常常陷入“想得到但抓不准、算得出但跟不上”的困境。这背后，是长期存在的鸿沟：空间层面的度...
商汤开源 SenseNova-MARS：多模态自主推理模型登顶 MMSearch 榜单
商汤科技正式开源 SenseNova-MARS —— 一款支持动态视觉推理与图文搜索深度融合的多模态大模型（VLM）。该模型提供 8B 与 32B 双版本，在多模态搜索与推理核心基准 MMSearch...
Gemini 3 Flash 引入智能体视觉：视觉推理+代码执行，答案基于视觉证据
谷歌正式为 Gemini 3 Flash 推出全新能力——智能体视觉，通过将视觉推理与代码执行深度结合，让AI从“静态一瞥”升级为“主动调查”，彻底改变图像理解方式。这项功能可使多数视觉基准测试质量提...
百度飞桨发布PaddleOCR-VL-1.5：0.9B轻量多模态模型，真实场景文档解析全面SOTA
百度飞桨近期完成 PaddleOCR 3.4.0 版本更新，正式推出新一代视觉语言模型 PaddleOCR-VL-1.5。这款面向真实场景的文档解析专用模型，仅0.9B参数量却实现资源高效与性能领先...
