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。
LTX 推出 LTX-2.5 模型，原生集成 ComfyUI，在 2 张英伟达 GB200 配置下生成 10 秒 720P 视频仅需 6.8 秒。LTX-2.5 Fast 以每秒 0.09 美元生成带音频 720p 视频，10 秒片段成本 0.90 美元；年度经常性收入低于 1,000 万美元的组织可免费使用。
推荐理由：生成速度比同类快数倍，且开放权重允许微调，对需要高频出片或自定义视觉风格的应用，其自托管成本可能低于调用闭源API。
Google Research 与 Google DeepMind 推进医疗 AI 系统 AMIE，实现实时临床视频问诊，首次在此场景展示专家级 AI 能力。该系统基于 Gemini 和 Project Astra 构建，可解读视觉与听觉线索、引导虚拟体格检查并实时诊断推理。随机研究中，临床评估者对 AMIE 的病史采集、诊断准确性等核心能力给予好评，患者演员也更偏好视频体验。
推荐理由：AMIE 在视频中融合视觉与听觉线索进行诊断，展示了多模态临床推理的可行性，对远程医疗产品方向有参考价值。
Liquid AI 发布 LFM2.5-VL-3B 视觉语言模型，屏幕理解 ScreenSpot-v2 平均 80.7，ToolSandbox 从 26.4 升至 59.5，RefCOCO 从 57.1 升至 87.9。
推荐理由：官方给出与更大模型对比的基准数据和端侧、GPU 实测速度，读者可据此评估它在边缘部署场景的适用性。
本教程演示如何以 ComfyUI 为无头推理后端，构建端到端的 MiniMax-H3 视频生成工作流。通过 Python 直接构建执行图，支持文生视频、首尾帧条件生成和参考图像条件生成，并自动根据 GPU 显存选择 quality、balanced、squeeze 三种权重配置。流水线涵盖模型自动下载、节点模式校验、音视频联合解码与进度监控，无需图形界面即可复现实验。
推荐理由：用 Python 编程替代 ComfyUI 图形界面，在 Colab 上搭建 MiniMax-H3 视频生成管道，并自动适配不同 GPU 显存方案，教程提供的全流程代码可直接复用。
Artificial Analysis@ArtificialAnlys精选AI 评分7878
推荐理由：Apache 2.0 许可和单 GPU 可运行的设计，使团队能在自有硬件上运行与更大模型接近的性能，部署成本与合规风险同时下降。
SGLang 与 Meta Superintelligence Labs 合作，为 30B 参数多模态模型 Muse Glimmer 提供 Day-0 支持，该模型拥有 128k+ token 上下文窗口。
推荐理由：SGLang对Muse Glimmer的优化使30B多模态模型在RTX 5090上达到236 tok/s用户速度，本地智能体工作流不再受限于云端延迟。
Qwen@Alibaba_Qwen精选AI 评分7171
推荐理由：让智能体直接获得视觉、文档和 3D 感知能力，把原本需要单独集成的工作流变成一组可调用的插件，原型开发速度可能因此加快。
NVIDIA 发布开源端到端全双工语音对话模型 NemotronLabs VoiceChat 11B，在统一网络中完成流式语音理解与生成，实测轮换延迟 448 毫秒。该模型为首个支持对话中工具调用的开源全双工模型，通过独立输出通道及预置“保持”话术避免 API 执行期间冷场。权重与容器已公开，但仅限研究用途，需单张 80 GB 显存 GPU，目前无托管 API。
推荐理由：端到端语音模型消除级联延迟，而工具调用侧通道和保留消息设计在不中断对话的前提下补齐了API等待期，让实时语音智能体更容易工程化。
苹果官网 Mac 简体中文使用手册新增《在 Mac 上配合 Apple 智能使用千问》支持文档，明确 Apple 智能可配合阿里巴巴千问模型工作。千问扩展适用于 macOS 26.6 或更高版本，需中国大陆 Apple 账户及机型，支持写作工具与 Siri，用户需登录千问账户使用。
推荐理由：苹果智能在中国大陆的落地路径终于清晰，支持文档揭示了写作工具和Siri集成千问的具体方式，Mac用户将能在系统级直接使用大模型能力。
Runway@runwayml精选AI 评分7575
推荐理由：支持最多50个角色引用和30秒带对话的片段，从单镜头生成迈向构建完整场景，更适合需要连贯叙事的视频创意。
Krea@krea_ai精选AI 评分7272推出 Seedance 2.5。 30 秒连续视频、完整多镜头序列，以及最多 50 个参考。 立即试用 👇
推荐理由：连续30秒生成与多镜头序列支持，将视频创作从单次短片段推向长故事板，对需要连贯叙事的创作者更实用。
NVIDIA 发布 Cosmos 3，一个基于混合 Transformer 架构的开放物理 AI 基础全模态模型，整合视觉推理、世界生成与动作预测。
推荐理由：介绍 Cosmos 3 作为开放物理 AI 基础模型的架构、基准表现和行业用例，为需要定制世界模型的机器人、自动驾驶和视觉 AI 团队提供了可直接参考的技术路线。
OpenBMB@OpenBMB精选AI 评分6565
推荐理由：将摄像头面部信号、语音对话和LoRA角色塑形组合进一个可玩演示，为交互式AI角色提供了比常见聊天机器人更丰富的多模态模板。
NVIDIA 发布 Alpamayo 2 Super，一款 34B 参数的视觉-语言-动作（VLA）模型，专为自动驾驶长尾事件设计，权重采用 Linux 基金会 OpenMDW-1.1 许可，代码为 Apache 2.0，发布首日即可商用。
推荐理由：轨迹与因果解释同时输出，可接入Halos安全验证，自动驾驶团队据此向监管证明决策合理性，减少黑盒依赖。
Video-DeepResearch（Video-DR）将多模态智能体从静态图像扩展到连续视频流，提出解耦感知-探索流水线与分阶段工具解锁，以应对模态偏差和参数知识泄漏两大瓶颈。
推荐理由：将深度研究从静态图像扩展到视频流，通过强制视觉定位再检索的两阶段训练，让模型摆脱了对文本搜索的路径依赖，给视频智能体研发提供了可验证的训练范式。
字节 Seed 发布 SeedRealtime，用统一架构原生融合音频、视频与文本，实现“边看、边听、边说”的实时交互。相比级联模型，其音视频对话节奏问题减少一半，并已在豆包 App 全量上线，率先实现音视频全双工技术的规模化落地。
推荐理由：SeedRealtime 将音视频感知与表达统一到同一端到端模型中，级联系统常见的说话节奏问题减少了一半，实时场景中能主动提醒并自然停顿，为全模态智能助手交互提供了新的技术路线。
Qwen@Alibaba_Qwen精选AI 评分6868🔔 Qwen-Image-3.0 现已在 Qwen Cloud 上线！ 在 Arena. ai 的文生图竞技场 @arena 中，位列中国模型第 1 名、主流模型第 2 名，现在只需一次 API 调用即可使用。 - 支持高达 4.5k token 的提示词：一次生成报纸、故事板、菜单、试卷 - 文字清晰度低至 10px，细节近乎照片级 - 支持 12 种语言、100+ 种艺术风格，逼真的 UI 模拟 - 生成 + 编辑集于一个模型 💰价格： Qwen-Image-3.0 Pro — 最适合复杂布局、精准文字渲染和商业级视觉，每张图起价 $0.04。 Qwen-Image-3.0 Standard — 适合批量、日常图像生成，每张图起价仅 $0.03。 Qwen-Image-3.0-Pro 与 Standard。从提示词到可直接投产的图像。 👉 在 Qwen Cloud 上试用并获取你的 API key：https://www.qwencloud.com/models/qwen-image-3.0-pro?utm_content=g_20000001188 - 主流模型 = 日均 MaaS API 调用量超过 10 万的模型系列 #QwenCloud #Qwen
推荐理由：生成与编辑合并在单一模型内，多语言长文本排版的门槛和每次调用成本都明显降低。
OpenRouter@OpenRouter精选AI 评分6666
推荐理由：联合训练的统一架构下，视频生成与图像、音频共享基础能力，跨模态创作的结果可能更连贯，改变了单独优化各模态的传统思路。
SenseTime@SenseTime_AI精选AI 评分6767
推荐理由：把推理和图像生成整合进单一模型流，信息图模式和逐步教程展示了从推理到可视化的直接路径，为需要图文连贯输出的应用提供了可探索的开源方案。
LlamaIndex 发文反驳文档 OCR 正被前沿模型商品化的观点，称帕累托前沿仍远高于最新前沿模型。其开源的 ParseBench（约 2,000 个人工核验的企业页面、167,000+ 条测试规则）显示，GPT-4o 到 GPT-5.5 三代模型解析准确率提升约 24 分但每页成本约翻四倍，最新最贵模型仍比专用前沿低 20 分。
推荐理由：文章用 ParseBench 数据论证文档 OCR 不会被前沿模型商品化，并给出路由、蒸馏、文本层复用等可迁移的工程方法。