新智谱 AI 重磅发布 GLM-5-Turbo：专为 OpenClaw“龙虾”打造的极速智能体引擎
在 AI 智能体（Agent）从“对话”走向“执行”的关键时刻，智谱 AI 正式推出了 GLM-5-Turbo —— 一款专为 OpenClaw（俗称“龙虾”）场景深度优化的基座模型。 国内版： 文档...
排序
新LCO-EMB：阿里达摩院新突破，用“纯文字”训练出全能多模态AI
想象一下，你只需要教 AI 读书（文字），它就能无师自通地看懂图片、听懂音频、理解视频。这听起来像魔法，但阿里达摩院最新推出的 LCO-EMB（Language-Centric Omnimodal E...
新CoCo：让 AI 像程序员一样“写代码画图”，彻底解决文生图的文字与布局难题
如果你曾让 AI 画一张“带有具体数据的饼图”、“排版精美的餐厅菜单”或“标注了坐标轴的数学函数图”，结果大概率会失望：文字变成乱码、布局歪七扭八、数据完全错误。 这是因为现有的文生图模型依赖模糊的自...
上海 AI 实验室发布 InternVL-U：40 亿参数统一多模态模型，理解、推理、生成与编辑全能合一
在人工智能领域，模型往往面临“专才”与“全才”的抉择：有的擅长理解图片内容，有的精于生成精美画作，但鲜有模型能同时精通“看、想、画、改”四项技能。 上海人工智能实验室正式推出 InternVL-U，一...
谷歌发布 Gemini Embedding 2：首个原生多模态嵌入模型，支持文本/图像/音视频统一检索
谷歌今日通过 Gemini API 和 Vertex AI 正式开放 Gemini Embedding 2 的公开预览。这是谷歌首个基于 Gemini 架构构建的原生多模态嵌入模型，能够将文本、图像...
腾讯开源 Penguin-VL：抛弃 CLIP，用大语言模型初始化视觉编码器，重塑多模态效率极限
“当所有人都在堆砌数据和参数时，腾讯选择了一条更本质的路：重新设计视觉编码器，让‘看’和‘想’在同一个空间里对话。” 在视觉语言模型（VLM）领域，主流范式长期依赖通过大规模对比学习（如 CLIP、S...
浪潮开源源 3.0 Ultra：1515B 参数巨无霸瘦身至 68B 激活，企业级 RAG 与表格理解全面超越 GPT-4o
“大模型的未来不在于无限堆砌参数，而在于如何让每一分算力都产生价值。” 浪潮旗下 YuanLab.ai 团队正式开源 源 3.0 Ultra (Yuan3.0 Ultra)。这是一款从零开始预训练的超...
微软发布 Phi-4-Reasoning-Vision-15B：150 亿参数的“小而美”多模态推理专家
在视觉语言模型（VLM）竞相追逐千亿参数、万亿训练词元的今天，微软反其道而行之，发布了 Phi-4-reasoning-vision-15B。 官方介绍：https://www.microsoft.c...
OmniLottie：全球首个端到端多模态矢量动画生成器，文字/图片/视频一键转可编辑 Lottie
在数字设计领域，动画是灵魂，但高质量动画的制作门槛却高不可攀。现有的 AI 视频生成工具大多输出“死视频”（MP4/GIF）——无法放大、无法修改颜色、无法提取元素。而设计师钟爱的 Lottie 矢量...
淘宝闪购开源“白泽”大模型Ostrakon-VL：基于 Qwen3-VL 打造餐饮风控神器，免费开放全行业使用
在食品安全日益受到重视的今天，如何利用 AI 技术实现高效、精准的数字化治理，成为外卖平台与餐饮零售行业共同面临的挑战。今日，淘宝闪购正式宣布，将其专为餐饮服务与零售门店打造的风控治理垂直领域大模型...
ZUNA：开源 3.8 亿参数脑电图基础模型，支持去噪、重建与上采样
脑电图（EEG）研究长期面临着一个棘手难题：信号噪声大、电极脱落导致数据缺失、以及高密度采集成本高昂。传统处理方法往往依赖复杂的数学插值或手工设计的滤波器，不仅效果有限，还难以适应多变的实际场景。 Z...
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...
