复旦邱锡鹏团队创立的模思智能完成超 10 亿元 Pre-A 轮融资
模思智能宣布完成超 10 亿元 Pre-A 轮融资，由华控基金领投，国开科创、上海科创基金、新微资本等参与，元禾控股等老股东继续投资，距天使轮官宣约半年。这家由复旦大学邱锡鹏创立、成立不到两年的公司主攻全模态实时交互，2026 年以来围绕语音、视觉和实时多模态发布 20 多个模型，其中 7 月开源的 MOSS-VL-Realtime 可持续接收视频流并随画面更新判断。
#多模态
极客公园AI 评分6262 RadarAIAI 评分6262 Artificial Analysis 发布 AA-3D 基准，评测模型构建交互式 3D 场景能力
Artificial Analysis 推出 AA-3D 基准，让 21 个模型作为智能体在离线沙箱中把书面简报转化为 three.js 网页，由超 1000 名评委盲评产出逾 10000 票的 Elo 排名。
RadarAIAI 评分3030 Arena 测试 Meta Muse Wonder 3D 场景生成
Arena.ai 让 @petergostev 对 Meta 的 Muse Wonder（Max）进行测试，覆盖一次性 3D 场景、动画 HTML 和前端设计，并与 Astra、Opus 5.5、GPT-6.1 Sol、Claude Sonnet 5.5、Fable、Kimi 和 Mistral 对比，同时列出每次生成的费用。Muse Wonder 的 Arena 评分即将公布。
GitHubAI 评分1818 expropriationhoorayhenry64/social-media-scraper-skill：社媒数据抓取与 AI 视频分析工具
名为 expropriationhoorayhenry64/social-media-scraper-skill 的工具可从 Instagram、TikTok、Twitter 和 YouTube 抓取帖子文本、评论与媒体文件，并对视频生成完整文字转录和 AI 视觉内容摘要，结果保存在本地 Documents 的 Exports 文件夹。
GitHubAI 评分6060 degausai 发布 wonda：在终端用 CLI 生成图像、视频、音乐并发布到社交平台
degausai 发布 wonda，一个在终端通过 CLI 完成图像、视频、音乐、音频生成与剪辑并发布到 Instagram、TikTok 等平台的内容工具，支持 npm 与 brew 安装。
量子位AI 评分5858 字节世界模型首次亮相：一句话生成可自由探索的三维世界
字节在抖音集团《2026 美好奇妙夜》科技节目现场首次展示其尚未正式发布的世界模型，由影视飓风的Tim演示：输入一句话即可生成微缩小人视角的房间，支持自由飞行、凭空生成并交互物体，还能用任意门连通屋内与太空等不同场景。
GitHubAI 评分2222 Karnika Sehgal 发布可玩短片《The Last Thing in the Jar》第一集
Karnika Sehgal 发布可玩短片《The Last Thing in the Jar》第一集，讲述 Mikon 在表亲婚礼上被橄榄核噎住、没带渡河硬币便抵达冥河斯堤克斯，按规则需在岸边等待一百年。
GitHubAI 评分3636 Equalify Iris：将 PDF 转为符合 WCAG 2.2 AA 的无障碍 HTML
Equalify 发布 Iris，用视觉模型逐页把 PDF 转成符合 WCAG 2.2 AA 的无障碍 HTML，再由 Reader 与 Copy Editor 审查修正，可选 equalify-iris-pdf 将 HTML 转回带标签 PDF。
Hacker NewsAI 评分6060 Elorian 与 Scale AI 发布 HSS 基准，测量多模态模型的直觉视觉推理
Elorian 与 Scale AI 联合发布 Humanity's Sixth Sense（HSS）基准，用 522 道开放式题目测量多模态模型对画面隐含信息的直觉视觉推理，含 288 张图片和 234 段短视频、共 17.6 小时视频。
Hacker NewsAI 评分6060 Subquadratic 发布 SubQ Snap 长上下文决策模型
Subquadratic 发布 SubQ Snap，一个面向智能体工作流的长上下文决策模型，支持最多 384K tokens 的文本与图像上下文，可在约 1 秒内处理 100K tokens 并返回决策。
GitHubAI 评分3838 VidLens：用 Qwen 与 Paraformer 生成 YouTube 视频中文总结的开源工具
VidLens 是一个开源 YouTube 视频总结工具，贴入链接后自动提取字幕、语音与画面，调用阿里云百炼的 qwen-plus、qwen-vl-max 和 paraformer-realtime-v2 生成结构化中文总结。它采用字幕优先、无字幕转 ASR 的降级链，音频切段并发识别可将 38 分钟音频从约 10 分钟压缩到约 2 分钟，并提供 Gradio 网页界面与一键打包下载。
GitHubAI 评分3636 igoor：面向神经退行性疾病与瘫痪患者的开源 AI 对话应用
igoor 是一款基于 AI 的开源免费（AGPLv3）对话应用，支持眼动追踪设备操控，旨在为神经退行性疾病或瘫痪患者提供流畅自然的沟通方式。
GitHubAI 评分4040 ELI v2.0：本地优先 AI 助手，227 项能力全离线运行
ShadowESC95 发布 ELI v2.0，一款完全运行在本地硬件上的 AI 助手，默认离线，具备语音、视觉、记忆共 227 项能力。
Hacker NewsAI 评分6262 Claude Opus 5.5 如何纯用代码做出一部定格动画
作者把一条 Reddit 提示词交给 Claude Code 中的 Claude Opus 5.5，让它以 Docker 容器为主题，纯用 JavaScript 在 HTML canvas 上绘制，自主完成了一部 57 秒的纸艺定格动画，全程 38 分钟、75 次工具调用、零提问，付费 API 花费约 0.15 美元。
Hacker NewsAI 评分3838 llms.py：轻量自托管 ChatGPT 替代方案，支持 530+ 模型与 24 家提供商
llms.py 发布 v4，定位为轻量、自托管、多用户的 ChatGPT 与 OpenWebUI 替代方案，仅依赖 1 个 Python 库（aiohttp）。它通过单一网关接入 24 家提供商的 530+ 模型，覆盖文本、图像、音频三种模态，并新增扩展系统、Gemini File Search RAG、Agent Profiles、MCP 与 Skills 支持。
Hacker NewsAI 评分2020 RME：不申请 INTERNET 权限的开源 Android 文档扫描器
SynapseWorks 开源 Android 文档扫描器 RME v1.7.0，采用 Apache-2.0 许可，应用本身不申请 INTERNET 和 ACCESS_NETWORK_STATE 权限，文档、缩略图与 OCR 文本均保存在应用私有本地库中。
GitHubAI 评分4848 Kuble-Lab 开源 open-creative-director：本地优先的 AI 创意总监聊天应用
Kuble-Lab 开源 open-creative-director，一个本地优先的聊天应用，通过 OpenRouter 上的 LLM 规划并调用真实生成工具产出图像、视频、语音和动态图形。
GitHubAI 评分2222 Meetecho 开源实时 AI 流水线框架 Juturna
Meetecho 推出 Python 数据流水线库 Juturna，面向多媒体与实时数据应用的快速原型开发及 AI 模型测试。它支持音频、视频和任意数据流的实时流式处理，采用模块化节点设计并可通过 Juturna hub 共享，提供并行非阻塞执行、批处理、内置日志与指标观测能力，以 MIT 许可证开源。
GitHubAI 评分2222 FaunaFlora AI：物种识别与生物多样性智能系统
FaunaFlora AI 是一个全栈生物多样性平台，可从照片或文本查询识别物种，结合多阶段 ML 流水线、Grad-CAM 可解释性、GBIF + Leaflet 地理观测地图与 IUCN Red List 保护评级。
GitHubAI 评分6060 opencode-senses 发布：为纯文本 OpenCode 模型加上本地视觉层
开源项目 opencode-senses 发布，为纯文本 OpenCode 模型加上视觉层，图片会以结构化证据形式自动注入消息，无需 API key。插件提供 13 个 senses_* 工具，覆盖 OCR、目标检测、裁剪、放大、取色、图像 diff、标注与反向图搜，全部返回归一化、可溯源的证据。
GitHubAI 评分1313 GameAccountValue：用 AI 视觉估算 Roblox / Fortnite / 原神等游戏账号价值，支持 24 种语言
GameAccountValue 上线免费游戏账号估值工具，覆盖 Roblox、Fortnite、Genshin Impact 等 9 款游戏，浏览器计算器本地运行，Telegram bot 可读取 1–3 张截图，由 AI 视觉识别稀有物品、皮肤与等级，输出价格区间、置信度和流动性评级。
Hacker NewsAI 评分2222 LipSyncTool 双人换脸视频开发复盘：Kling、Seedance 与 H3 实测对比
为 LipSyncTool 实现双人换脸视频功能时，Kling O3 Edit 只能稳定替换一人，Seedance 2.5 Editing 两次尝试均因素材审核被拒，H3 最终让两人都成功替换，但模板从七镜头变为六镜头、时长从约 6 秒变为约 6.58 秒，API 调用耗时约 111 秒、预估成本约 0.72 美元。作者最终采用 H3 生成后再合并模板音轨，并放弃“只换脸、其余不变”的承诺。
GitHubAI 评分2020 On-Care：HealthMate AI 推出会员与教练联动的饮食运动管理服务
HealthMate AI 推出 On-Care，把会员的饮食与运动记录自动整理成每日报告推送给教练，教练的例行安排也直接回流到会员 App。会员拍一张食物照片，AI（VLM）即估算食物与份量，并查询食药处公共营养 DB 给出钠、卡路里、糖的估算值，最终数值由会员与教练确认修正。
Hacker NewsAI 评分2020 VFitly 虚拟试衣：一张照片生成穿搭视频
VFitly 提供基于图像的虚拟试穿，用户上传本人照片和服装图片，AI 即可生成穿搭预览，还可生成试穿视频。该工具在浏览器内运行，支持从商品链接抓取服装图片，并可将常穿单品存入衣橱以便重复试穿。VFitly 不寄送实物，也无法确认实际合身度，官方建议仅用于早期筛选颜色与版型，购买前仍需向卖家确认尺寸、材质和退货条件。
Hacker NewsAI 评分2323 RobynNews：由 AI 机器人主持、从 YouTube 评论中自我学习的 AI 新闻节目
RobynNews 是一档由同名 AI 机器人主持的 YouTube AI 新闻节目，内容基于一手信源，并从 YouTube 评论中自我学习。
GitHubAI 评分2323 GraphCanvasAgent：自然语言驱动的多模态图像编辑智能体
GraphCanvasAgent 是一个基于 React 19 + FastAPI + LangChain/LangGraph + Konva 构建的全栈 AI 图像编辑智能体，通过 LangGraph 状态机将复杂修图意图拆解为多步执行计划。
RadarAIAI 评分4040 多平台音视频 AI 剪藏插件上架 Chrome 应用商店
一款自研剪藏与音视频学习插件正式上架 Chrome 应用商店，支持连续按键触发清爽阅读模式与笔记功能，并针对 B 站、YouTube、X 等平台提供学习模式。对无字幕视频，插件用本地 6B 模型完成转录与 AI 问答交互。
arXiv cs.AIAI 评分2222 AgroGround：农业领域的多粒度接地识别数据集与基准
AgroGround 是一个面向农业接地识别的大规模数据集，通过自动化流水线将八个农业 VQA 数据集的标签转化为病害病斑与整体目标的定位标注，生成 794,850 条指令样本。
arXiv cs.AIAI 评分3131 基于选择的结构化推理 SSR：面向高效多模态搜索智能体
研究提出基于选择的结构化推理（SSR）框架，将推理从开放式生成改为从预设可复用自然语言候选中选择，无需辅助任务头，并借助共享上下文 KV cache 并行打分。在 2B 和 4B 模型、七个多模态搜索基准上，SSR 平均成功率与同规模领先搜索智能体相当，每轮推理延迟降低超 90%，每题模型总推理延迟降低 28-54%。
arXiv cs.AIAI 评分2525 TDDN：面向拼图理解的对齐文本扩散 DINO 网络
研究者提出 TDDN，将 DINOv3 与 CleanDIFT 表示融合为感知编码器 DiffusedDINO，并与 RoBERTa-L 对齐，在冻结骨干、仅约 590K 对齐样本下超越 CLIP ViT-L/14。
arXiv cs.AIAI 评分2929 w²VLA：在视觉-语言-动作模型中解耦陈述性知识与程序性知识
研究者提出 w²VLA，一种重构信息流的视觉-语言-动作（VLA）模型，通过以组合且可解释的方式用视觉、空间和技能信息调制机器人状态序列，而非将所有多模态 token 送入不透明的 Transformer 动作专家。该方法成功解耦知识表示，实现稳健的行为克隆，并在差异较大、未见过的物体上取得零样本技能迁移能力。
arXiv cs.AIAI 评分3131 视频扩散模型内部是否编码物理结构？arXiv 研究揭示物理合理性可从扩散 Transformer 状态线性解码
研究通过反向积分学习到的速度场，将干净视频潜变量近似还原为噪声，从而探测视频扩散模型的中间状态与注意力图。结果显示，物理合理性可从扩散 Transformer 状态中线性解码，在 IntPhys 和 InfLevel 上平均准确率约 81.27%，优于 V-JEPA 和 VideoMAE 等表征学习基线。
arXiv cs.AIAI 评分2222 MyoSem：将肌电信号与自然语言动作语义对齐
MyoSem 是一个肌电信号与动作语义对齐框架，将手部 EMG 与多视角自然语言动作描述映射到共享特征空间，实现双向 EMG—文本检索。在 NinaPro DB2、EMG2Pose 及 NinaPro DB2→DB3 的七种协议下（涵盖随机划分、用户偏移、留出动作类别和健全者到截肢者迁移），MyoSem 取得所评估方法中最强的整体双向检索性能。
arXiv cs.AIAI 评分2727 VITAL：面向医疗 MLLM 的视觉-语义双重监督潜在推理框架
VITAL 是一个面向医疗 MLLM 的潜在空间推理框架，通过辅助文本解码器从潜在状态重建推理链、视觉投影器从冻结的独立医学视觉编码器回归 ROI 特征，实现视觉-语义双重监督。
arXiv cs.AIAI 评分2222 LensVLM：面向文本压缩视觉表征的选择性上下文扩展
基于 Qwen3.5-9B-Base 的 LensVLM 通过让 VLM 扫描压缩图像、再用学习到的工具选择性扩展相关图像，在 4.3× 有效压缩下保持与全文上限相当的准确率，并在七个文本 QA 基准上以最高 10.1× 有效压缩超越检索式及文本、视觉压缩基线。该方法还可泛化到多模态文档与代码理解任务，压缩越高相对基线的准确率增益越大。
arXiv cs.AIAI 评分2222 CORE-Seg：基于强化学习的推理驱动复杂病灶分割
研究者提出 CORE-Seg 端到端框架，通过语义引导提示适配器将推理与分割结合，并发布首个多样化 CoT 基准 ComLesion-14K。该方法采用从 SFT 到 GRPO 的渐进训练策略与自适应双粒度奖励机制，平均 Dice 达 37.06%，比次优基线高 14.89%，失败率降至 18.42%。
arXiv cs.AIAI 评分2222 ITO：面向图像-文本预训练的多视图对齐与训练时融合框架
ITO 通过多视图图像增强构建多样化跨模态对应关系，并引入轻量训练时多模态融合模块作为正则化器，推理时丢弃该模块以保持双编码器效率。在 100M–1B 图像-文本对规模下，ITO 在相同数据、骨干和算力条件下于分类、检索及多模态基准上持续优于 CLIP，且融合模块的贡献随数据规模增长，能缓解对比学习后期的过拟合。代码已开源。
arXiv cs.AIAI 评分2424 通过逆向网络理解基于 Transformer 的视觉模型
研究提出一种模块化的特征逆向方法，可从中间表征重建图像，计算效率更高且部分情况下语义更连贯。该方法应用于 Detection Transformer、Vision Transformer。
arXiv cs.AIAI 评分2222 MIRROR：用跨视图互学提升多模态推理
研究者提出 MIRROR（Modality-Informed Reciprocal Reasoning Optimization），一种从模型自身不同模态能力中提取跨视图自蒸馏信号的强化学习方法。
arXiv cs.AIAI 评分2626 SpatialASM：让 LVLM 内化主动空间心智化能力以提升空间推理
SpatialASM 是一个通过训练时空间模拟将主动空间心智化（ASM）内化到 LVLM 的可扩展框架，在覆盖感知导向到跨视角推理的七个空间基准上提升了四种 LVLM 骨干的平均准确率，同时保留原有通用视觉能力。