Elorian 发布视觉推理模型 Glimpse，API 成本降低 17 倍
前 DeepMind 总监 Andrew Dai 创立的 Elorian 团队发布视觉推理模型 Glimpse，称其视觉推理能力可媲美 Project Astra，同时将 API 成本降低 17 倍。该模型针对视觉大模型在动态视频推理中成本高、物理推演弱的问题，主打时空物理因果推理。
#多模态
RadarAIAI 评分5858 RadarAIAI 评分6060 面壁 MiniCPM-V 4.7 登上 Hugging Face 热门榜第 3
面壁智能 OpenBMB 宣布 MiniCPM-V 4.7 登上 Hugging Face 热门榜第 3。该 35B-A3B MoE 模型可在 iOS 和 Android 上以约 3GB 内存流畅运行，1B 模型在 OCR、数学和视频理解方面表现较强。GitHub 与 Hugging Face 链接已开放。
RadarAIAI 评分2222 女娲.skill 产品发布动画由 opus5.5 全流程生成
女娲.skill 项目获得 34000+ 关注后，其产品发布动画正式发布，动画效果与配乐 100% 由 AI 音频模型 opus5.5 生成。作者称这是万元级别的产品发布动画，展示了 AI 在产品营销视频制作中的应用潜力。
RadarAIAI 评分2020 NVIDIA Ising-Calibration 模拟马斯克一天的智能助手体验
NVIDIA Ising-Calibration 生成了一段模拟视频，展示 AI 助手如何协助管理 Elon Musk 的日程，覆盖早餐建议、会议安排和车辆召回等场景。作者在体验后表达了对未来隐私问题的担忧。
RadarAIAI 评分2525 基于 Skill 制作产品宣传动画
作者用自己开发的 Skill 帮 @turingou 重新剪辑并发布了产品宣传视频。该 Skill 基于 Gemma 4 微调的视觉语言模型，推文展示了模型在实际操作中的可视化效果图。视频最后加入了作者联系方式，并邀请同行交流。
RadarAIAI 评分4545 可灵4.0即将上线fal平台：单次生成30秒带原生音频视频
可灵（Kling）4.0即将上线fal平台，支持单次生成最长30秒、带原生音频的视频，并可用最多15个参考素材引导角色、场景与镜头运动。该消息由Kling AI在X上引用fal的帖子发布，具体上线时间尚未公布。
RadarAIAI 评分3838 阿里 Qwen 开源 BlenderWorld：223 道题、2651 条标准的 3D 建模基准
阿里 Qwen 团队于 10 月 14 日开源 BlenderWorld，一个评测视觉智能体在 Blender 中完成真实 3D 创作任务的基准，采用 MIT 许可证，代码与数据集已发布至 GitHub、Hugging Face 和 ModelScope。
RadarAIAI 评分6262 Meta 发布 Muse Spark Open：816B 开源 MoE，支持 1M 上下文
Meta 发布 Muse Spark Open，这是一个 816B 参数的开源权重 MoE 模型，支持 1M 上下文。该消息来自 Rohan Paul 的通讯，同期还提到 Elorian 发布视觉思考模型 Glimpse、Meta 与 Apple 合作把开源权重 AI 带到 Mac，以及 Claude Mythos 5 用少 17 倍门电路设计椭圆曲线量子电路、量子比特数提升 12%。
RadarAIAI 评分3838 Perplexity Decider v1.2 与 Decider Flash v1.2 上线 OpenRouter
Perplexity 的开源权重决策模型 Decider v1.2 和 Decider Flash v1.2 已在 OpenRouter 上线，可接收文本或图像并返回带概率的类型化答案。Decider v1.2 为新的 27B checkpoint，接替 v1.1；Decider Flash v1.2 为 4B，速度更快且成本减半。
RadarAIAI 评分5858 Elorian 发布首个 AI 模型 Glimpse，可在思考中回看并重新分析图像或视频片段
Elorian 发布其首个 AI 模型 Glimpse，定位为可在思考中途回看图像或视频细节的视觉思考模型。它能在推理时返回视频特定时间点、放大细节，或以更高帧率回放半秒视频后再作答。
RadarAIAI 评分2424 Opus 5.5 打造可见可推的电磁场
Claude 发布由 Opus 5.5 制作的电磁场演示，一个你能看见、也能推动的电磁场。该内容来自 Claude 官方 X 账号，属于多模态产品更新。
RadarAIAI 评分2222 Claude Haiku 5.5 写俳句并用 JS 绘制动画
Claude Haiku 5.5 创作了二十首俳句，并用 JavaScript 绘制出每一帧动画。该演示由 Claude 官方 X 账号发布，展示模型在文本创作与代码生成上的多模态能力。
RadarAIAI 评分5555 RespanAI Span-02 上线 OpenRouter
RespanAI 的开放权重决策模型 Span-02 已登陆 OpenRouter，输入文本和图像并定义问题后，返回一个选择、是/否/未知或带概率的评分。定价为输入 $0.01/百万 tokens、输出免费，上下文 131K。
RadarAIAI 评分3030 OpenRouter 将图像与文本纳入同一状态处理，每次请求最多 4 张
OpenRouter 支持图像与文本进入同一状态，每次请求最多可传 4 张图像。该更新面向多模态请求场景，具体可用范围与接入方式未在原文中说明。
RadarAIAI 评分3838 OpenRouter 将图像与文本纳入同一状态处理，每次请求最多 4 张
OpenRouter 支持图像与文本进入同一状态处理，每次请求最多可传 4 张图像。该更新面向多模态请求场景，具体可用范围与计费方式原文未作说明。
RadarAIAI 评分3434 Gemini Notebook 将支持从对话逐步生成视频和幻灯片
Gemini Notebook 用户很快就能从聊天对话中逐步生成 Slides 和 Videos，应用内已新增隐藏提示“你现在可以逐步创建 Slides 和 Videos”。该功能尚未正式上线，外界猜测或与 Gemini 4 升级有关。
RadarAIAI 评分6262 Elorian 推出首个视觉思考模型 Glimpse
Elorian 推出首个视觉思考模型 Glimpse，在关键公开视觉推理基准上对标 Astra 达到前沿竞争力。该团队称此前模型只能处理单张图像，无法应对动态或角度变化的问题，此次正是针对这一限制。Jeff Dean 转发了这一发布并表示祝贺。
RadarAIAI 评分6060 Elorian 发布视觉思维模型 Glimpse，可回看帧并用视觉草稿空间推理
Elorian 发布首个视觉思维模型 Glimpse，在关键公开视觉推理基准上与 Astra 表现相当。Glimpse 用于比较场景随时间的变化，在变化微小或快速时回看源头、裁剪局部、抽取特定视频帧或运行代码进行测量对比，Elorian 将这一机制称为视觉草稿空间（visual scratch space）。
RadarAIAI 评分3838 fal 即将上线 Kling 4.0
fal 宣布即将上线 Kling 4.0，单次生成最长可达 30 秒视频，并带原生音频。该版本最多支持 15 个参考，用于引导角色、场景和镜头运动。
RadarAIAI 评分2222 Opus 5.5 多模态 AI 小剧场：海外 AI 对国人的态度
作者用 Opus 5.5 结合 TTS、ASR、生图、生视频等多模态能力，制作了一个对比海外 AI 对中国用户态度差异的小剧场，并开源了完整提示词。作品通过四个场景展示 Claude、GPT、Gemini 和 Grok 对「用户」的不同态度：Claude 拒绝进入，GPT 温和开放。
RadarAIAI 评分4848 Gemini 4 Argon 与 Canvas 改造 3D 打印工作流
Gemini 4 Argon 与 Canvas 结合，把拍照测量到生成参数化 3D 打印模型的工作流打通：用户拍照并上传测量数据后，Gemini 生成交互式 3D CAD 工作室，可用实时滑块微调尺寸并一键导出 STL，实现无 CAD 的直观参数化 3D 打印。
RadarAIAI 评分2626 This Week in AI：OpenAI 智能 UI、Claude Dashboards 与 Mistral Large 4 预览
OpenAI 为 ChatGPT 推出 Intelligent UI，可在对话中生成可视化解释和交互工具，并上线 MCP Events 让已连接应用主动通知 ChatGPT 触发动作。
RadarAIAI 评分5454 Elorian 发布首个模型 Glimpse，边推理边看图
Palo Alto 初创公司 Elorian 发布首个模型 Glimpse，以研究预览形式提供 API，聊天界面需等候名单。Glimpse 在推理过程中可裁剪图像区域、从视频中抽取特定帧或运行代码测量比较所见内容，Elorian 称这一机制为视觉暂存空间。
RadarAIAI 评分3636 Dynamic Creatures 推出人形伴侣机器人 Hugo，搭载首个 VLE 模型
Dynamic Creatures 发布人形伴侣机器人原型 Hugo，号称首款人形伴侣机器人，运行首个 Vision-Language-Expression（VLE）模型，将所见所闻与动作、表情和手势关联，实时识别并回应人的面部、声音和动作。该公司是 Boston Dynamics 官方娱乐与酒店合作伙伴，正与电影工作室、度假村和主题公园合作打造一系列角色机器人。
TechCrunch · AIAI 评分5656 Elorian 发布首个模型 Glimpse，以视觉草稿空间做图像推理
Elorian 发布首个模型 Glimpse，以研究预览形式开放 API，聊天界面仅限候补名单。Glimpse 在推理过程中可裁剪图像区域、从视频中抽取特定帧或运行代码来测量和比较所看内容，Elorian 称这一机制为视觉草稿空间。
RadarAIAI 评分6262 可灵 Kling 4.0 在 kling.ai 全量开放
可灵 AI 宣布 Kling 4.0 现已在 kling.ai 全量可用，提供更精细的运动、更精准的创作控制和专业级音视频输出。可灵在 Advertising Week New York 2026（10 月 6 日，纽约）与 WPP、Adobe 探讨 AI 视频从创意实验走向实际生产，认为下一阶段重点在于连接模型、工具和工作流，让创意以更高一致性和可控性规模化。
RadarAIAI 评分2424 远元集团与百度智能云签约：百度一见助力万店品质升级
10月16日，百度智能云与远元集团在超级智能体大会 BAIDU AGENT SUMMIT（西安站）签署“远元集团品质服务智能巡检项目”，双方将结合大模型与视觉 AI 技术，用百度一见对门店接待、环境、操作、养护等环节做智能识别与标准校验。远元集团已拥有近万家门店，年服务客户超 1.12 亿人次。
RadarAIAI 评分3434 百度智能云发布百度一见 6.0 与 AI 原生具身智能相机，产业智能体落地西北
百度智能云在西安超级智能体大会上宣布百度一见 6.0 开放内测，主打用自然语言和 Golden-Set 样本让人人都能造视觉 AI，并同场推出 AI 原生具身智能相机。百度搭子用户规模增长 9 倍，交付物需求增长 4.3 倍，专家套件使用量增长 7.3 倍。2026 年前三季度百度智能云大模型中标金额位列云厂商第一。
RadarAIAI 评分2323 Luma AI 用 AI 动捕打造成龙风格特技
Luma AI 展示了用 AI 动作捕捉打造成龙风格特技的流程：动作指导兼表演负责人 Themo 来到 DreamLabLA，先进行策划会议，随后捕捉其动作，再通过视频到视频转换生成全新风格和世界。内容由 Luma 制作。
arXiv cs.AIAI 评分2323 Frame Evidence：多图空间推理中参考系与视觉证据的基准测试
研究者推出 Frame Evidence 基准，包含 320 组匹配三元组和 960 道中文多选题，用于检验多图空间推理中参考系与视觉证据变化时答案是否仍正确。在 288 道留出题上，GPT three-shot 单项准确率达 50.00%，但最佳三帧组准确率仅 5/48（10.42%），由 GPT two-shot 取得。少样本提示与任务适配能提升单项准确率，却未持续改善联合正确性。
arXiv cs.AIAI 评分3838 DroneCATS 基准：多模态 LLM 作为通用视觉-语言-动作智能体控制无人机
研究者提出 DroneCATS 基准，让 MLLM 通过四类动作直接控制无人机，覆盖目标可见性、目标运动、场景与模拟器变化，并扩展至真实无人机、多无人机及"指挥官+子智能体"套件，评测了十款从前沿到小型开源的 MLLM。
arXiv cs.AIAI 评分2222 面向场景专用遥感 MLLM 的能力缺口驱动后训练 FBA：先补齐再进阶
研究者提出"先补齐再进阶"（FBA）的能力缺口驱动后训练路线，先发展前置能力再做场景适配，并构建覆盖 RGB、SAR、PAN、NIR 的三层数据集 CPRS 与八轨基准 HarborEval。
arXiv cs.AIAI 评分2929 VCSD：视觉对比自蒸馏，无需外部教师提升多模态模型推理
研究者提出视觉对比自蒸馏（VCSD），将图像内容擦除转化为 on-policy 自蒸馏信号：EMA 教师在同一提示词和前缀下分别基于原图与内容擦除对照生成两个 next-token 分布，用其逐 token 对数概率差锐化教师分布并蒸馏给学生。
arXiv cs.AIAI 评分3232 MIRAGE：面向 Web 智能体的隐蔽视觉提示注入漏洞检测框架
研究者提出 MIRAGE，一种视觉间接提示注入框架，可在仅控制广告位等受限区域的第三方威胁模型下劫持 Web 智能体的下一步动作。该方法用扩散模型生成感知上自然的对抗图像，并结合曲率感知对抗扩散引导与稀疏暗像素残差扰动优化攻击效果。在 SeeAct 和 OpenClaw 上的评测显示其攻击有效、真实且隐蔽。
arXiv cs.AIAI 评分3030 Moment-Video：诊断视频 MLLM 对瞬时视觉事件的时间保真度
研究者推出 Moment-Video 基准，用于评估视频 MLLM 对瞬时视觉事件的时间保真度，包含 1,000 个人工核验的视频问答对，覆盖 7 个领域、25 个子类及四类任务。在 34 个专有与开源 MLLM 的评测中，表现最佳的 Seed-2.0-Pro 总体准确率仅 39.6%，多数开源模型低于 25%。诊断显示，即便采样帧覆盖全部标注事件区间，模型仍存在大量错误，且视频越长性能越差。
arXiv cs.AIAI 评分2222 CAIA：认知引导自适应模糊与信息约束对齐的神经视觉解码框架
研究者提出 CAIA 框架，通过认知引导的自适应模糊机制与信息约束对齐方法提升 EEG 视觉解码性能。该框架在视觉侧模拟选择性注意力降低冗余，在 EEG 侧结合神经振荡先验与信息瓶颈启发的频谱稀疏正则化提升信噪比，并引入分布感知边界校准损失修正离群样本对齐偏差。实验表明 CAIA 在零样本脑到图像检索中显著超越此前方法，提升被试依赖与被试独立场景下的平均 Top-1 和 Top-5 准确率。
arXiv cs.AIAI 评分2222 ReText：用文本提升基于图像的行人重识别泛化能力
ReText 通过微调 VLM 为多摄像头数据集补充文本描述，并以文本监督训练，在跨域行人重识别基准上显著超越 SOTA。该方法联合优化 Re-ID、图文匹配和文本引导的图像重建三项任务，并采用单摄像头数据训练策略，同时利用其附带的文本标注。扩展后的数据集与 VLM 权重已公开，成果被 WACV 2027 接收。
arXiv cs.AIAI 评分2424 VDE Bench：评估图像编辑模型修改视觉文档的能力
VDE Bench 是一个面向中英文文档图像指令编辑的评测基准，包含 3,506 个样本，其中文本区域编辑 1,578 个、表格区域编辑 1,928 个。该基准将编辑指令与参考图像配对，并附有标注编辑区域和结构化 OCR 输出，评测协议结合区域级与整页测量，考察文本正确性、结构保真度和视觉内容保持。
arXiv cs.AIAI 评分1818 以影像为锚点的多组学如何整合心脏影像与转录组数据
一篇综述提出"以影像为锚点"的视角，将超声心动图、CMR 和 CT 定义的心脏空间表型，与 bulk、单细胞和空间转录组学提供的细胞类型及位置分子信息相连接。文章定义了各模态的表示需求，比较多模态融合策略，并梳理了放射基因组学、空间对齐和基于影像的基因表达预测的整合流程及其验证要求与失效模式。
arXiv cs.AIAI 评分2323 揭示 Grounding IDs：外部线索如何塑造多模态绑定
研究发现，符号、网格线等外部视觉线索能帮助大型视觉语言模型（LVLM）在物体与其文本描述之间建立更准确的连接。作者提出 Grounding IDs 概念，即外部线索结构化视觉与文本模态后在模型内部产生的潜在标识符，它能增强相关组件间的注意力，改善跨模态对齐并减少模型幻觉。