快手可灵 AI Kling 4.0 全量上线，单次生成视频最长 30 秒
快手可灵 AI 宣布 Kling 4.0 正式全量上线 klingai.com，单次生成视频最长可达 30 秒，视频可多次续拍延展至 2 分钟。
推荐理由：可灵 Kling 4.0 全量上线并接入 MCP/CLI，读者可据此判断视频生成在时长与工作流接入上的变化。
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。
17 条精选近 30 天 17 条共收录 1,116 条
更新
大事记
重要进展多模态的精选
RadarAI精选AI 评分7878 RadarAI精选AI 评分8282 Meta 开放权重模型 Muse Spark Open 上架 OpenRouter
Meta 发布开放权重模型 Muse Spark Open，现已可在 OpenRouter 使用，定位为面向编码与智能体工作的美国最强开放权重模型。模型总参数 816B、激活 42B，支持 1M token 上下文窗口，原生多模态，支持图像、视频、音频和 PDF 输入。OpenRouter 定价为输入 $1.25/M、输出 $4.25/M。
推荐理由：OpenRouter 上架该开放权重模型并给出定价与输入模态细节，读者可据此评估接入成本与适用场景。
Together AI Blog精选AI 评分7878 Meta Muse Spark Open 上线 Together AI，支持 1M token 上下文与智能体编码
Meta 的 Muse Spark Open 已在 Together AI 上线，Together AI 是其 Day 0 发布伙伴。该模型面向长时程智能体编码工作流，具备 1M token 上下文窗口、长时程自主规划与自我纠错、可协调子智能体、跨桌面移动端与浏览器的 computer use 与多模态浏览，并接受文本、图像、音频和音视频输入，还会在执行前说明意图。
推荐理由：官方给出 Muse Spark Open 的上下文窗口、定价与调用方式，可据此判断它在长时程编码智能体上的可用性。
vLLM Blog精选AI 评分7878 vLLM 为 Meta Muse Spark Open 提供 Day 0 支持
vLLM 与 Meta Superintelligence Labs 合作，在 Muse Spark Open 发布当天为其提供 Day 0 支持。
推荐理由：vLLM 在发布当天给出 Muse Spark Open 的部署命令、量化格式与 DSpark 投机解码配置，可据此评估 1M 上下文的生产落地成本。
PyTorch Blog精选AI 评分8585 Meta 开源 Muse Spark Open：816B 总参数、42B 激活的编码与智能体模型
Meta 发布 Muse Spark Open 的开放权重，这是一个 816B 总参数、42B 激活的模型，上下文窗口 1M tokens，已在 Hugging Face 上以 Muse Model License 提供。
推荐理由：Meta 开源 816B 总参数、42B 激活的编码与智能体模型，并给出 Helion 内核与 TorchTitan 微调路径，可据此评估开源权重模型的部署与二次训练成本。
vLLM Blog精选AI 评分6262 NVIDIA Nemotron 3.5 Super VL 发布，vLLM 首日支持
NVIDIA 发布开源多模态模型 Nemotron 3.5 Super VL，采用 120B 总参数、12B 激活参数的 MoE 架构，支持文本、图像、文档和视频输入，输出文本。
推荐理由：原文给出模型架构、部署配置与吞吐对比，读者可据此判断多模态智能体推理的落地成本。
NVIDIA Newsroom精选AI 评分7474 NVIDIA 扩展 Nemotron 家族，发布 Nemotron 3.5 Super VL 与 Bolt 系列模型
NVIDIA 发布开放模型 Nemotron 3.5 Super VL，1200 亿参数，主打多模态智能体任务，官方称其吞吐量最高可达同类模型的 5 倍，精度接近 NVIDIA 最大推理模型而参数量约为其五分之一。
推荐理由：NVIDIA 一次放出三款覆盖数据中心到端侧的开放权重模型，并列出各行业后训练案例，可据此判断开放模型在企业智能体部署中的位置。
量子位精选AI 评分7878 面壁开源 MiniCPM-V 4.7：35B-A3B 手机断网可跑，仅占 3G 内存
面壁智能与 OpenBMB 开源 MiniCPM-V 4.7，包含 35B-A3B 和 1B 两个版本，其中 35B-A3B 是 MiniCPM-V 系列首个 MoE 模型，约 3G 内存即可在 iOS、安卓设备上运行。
推荐理由：面壁开源 MiniCPM-V 4.7，给出 35B-A3B 在手机端 3G 内存运行的具体实测与压缩数据，可据此判断端侧多模态的落地边界。
Hacker News精选AI 评分8888 Google DeepMind 发布 Gemini 4 Argon
Google DeepMind 发布 Gemini 4 Argon，即日起向 Google AI Pro 和 Ultra 订阅用户开放。该模型支持 1M 输出 token，可一次完成 100K+ token 推理轨迹、整仓库生成与重构，并称在 CWE-Bench 漏洞修复上以 68% 并列第一，是抗间接提示注入最强的模型。
推荐理由：原文给出 Argon 在智能体编码、长上下文与安全基准上的对比数据，可据此判断其相对同级模型的位置。
Latent Space精选AI 评分7878 Meta MSL 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（代号 Watermelon）与 Muse Wonder Full，距该实验室成立约 14 个月。
推荐理由：汇总了 Meta Muse Wonder 系列的发布细节与多家第三方评测数据，可对照 Opus 5.5、GPT-6 等模型看前沿梯队变化。
Hacker News精选AI 评分7878 Hacktron 披露 HEIF Heist：针对 HEIF/AVIF 图像解码器的一类 RCE 攻击路径
Hacktron 研究团队公布名为 HEIF Heist 的一类远程攻击路径，针对解码攻击者可控 HEIF、HEIC 或 AVIF 图像的服务，可导致内存破坏、数据泄露或远程代码执行。
推荐理由：Hacktron 披露一类针对 HEIF/AVIF 解码器的攻击路径，涉及多家平台，并给出受影响版本与修复建议。
OpenAI News精选AI 评分8282 OpenAI 面向所有用户推出 GPT-6 与 Intelligent UI
OpenAI 宣布 GPT-6 在 ChatGPT 中面向全球用户上线，并同步推出 Intelligent UI。官方称新版本响应更快，提供可视化内容和可直接探索、使用的交互体验。
推荐理由：OpenAI 官方公布 GPT-6 在 ChatGPT 全球上线，并同步带来 Intelligent UI 的视觉与交互体验。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 EmbeddingGemma 2 开源轻量多模态嵌入模型
Google DeepMind 发布 EmbeddingGemma 2，将文本、代码、图像、视频和音频映射到统一嵌入空间，基于 Gemma 4 架构，采用 Apache 2.0 许可，参数量 7.4 亿。
推荐理由：EmbeddingGemma 2 把文本、图像、音频、视频统一到同一嵌入空间，并给出端侧内存与向量截断的具体数据，便于评估本地多模态检索的可行性。
科技媒体 RSS精选AI 评分7878 Mistral Large 4 上线 OpenRouter 公测：1T 参数、1M 上下文、前两周五折
Mistral Large 4 已在 OpenRouter 开启公开预览，规格为 1T 参数（49B 激活）、原生多模态、1M 上下文，最高支持 256K 输出。前两周五折，定价为每 1M tokens 输入 $0.68、输出 $2.09，缓存 $0.07。
推荐理由：Mistral Large 4 在 OpenRouter 开启公测，1T 参数与 1M 上下文的具体规格和限时定价可供选型参考。
科技媒体 RSS精选AI 评分8080 Mistral 发布 Mistral Large 4，1T 参数原生多模态，月底开放权重
Mistral AI 发布 Mistral Large 4（别名 Le Chonk），采用 1T 参数、49B 激活的原生多模态架构。官方称其在美欧开放权重模型中聚合基准最佳，在网络防御、制造和金融等关键工作负载达到 SOTA，视觉 grounding 上超越闭源前沿模型。该模型现可通过 API 使用，开放权重计划于 10 月底发布。
推荐理由：Mistral Large 4 给出 1T 参数、49B 激活与原生多模态的规格，并明确 API 可用与月底开放权重的时间点。
Microsoft Research精选AI 评分6666 微软研究院发布 Quine：面向生物学复杂性的 AI 研究系统
微软研究院发布 Quine，一个面向生物学复杂性的 AI 研究系统，由跨序列、结构、功能、细胞状态和成像等多模态数据联合训练的生物学世界模型，以及连接模型、科学工具、文献与实验人员的交互式 harness 组成。
推荐理由：微软研究院公开 Quine 的多模态生物世界模型与实验闭环设计，并给出胰腺癌化合物筛选的湿实验验证结果。
Google DeepMind精选AI 评分6767 Google DeepMind 发布 Gemini 3.8 Live with Live Avatar
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，在 Gemini 3.8 Live 基础上为原生实时对话模型加入近实时视觉形象，可同时处理视觉与音频输入并输出带表情和口型同步的音视频。
推荐理由：官方披露了 Live Avatar 的实时音视频对话、异步工具调用与 97 种语言同步能力，可据此判断企业级数字人交互的落地形态。