Wan-Streamer v0.2 发布：端到端响应延迟仅 550ms，支持 640×368 实时视频对话
通义实验室发布 Wan-Streamer v0.2，端到端响应延迟 550ms（200ms 模型延迟 + 350ms 网络延迟），输出分辨率从 v0.1 的 192×336 提升至 640×368 @ 25FPS。
推荐理由：550ms端到端延迟把实时视频对话从拼接流水线推入单模型交互循环，原先因响应太慢而无法沉浸的口语陪练与面试模拟，开始具备自然对话的交互基础。
北京时间
多模态
全部主题文本之外的能力：视觉理解、图文混合、音视频输入输出的模型与产品进展。
最新精选
第 101–120 条 · 共 437 条公众号：通义实验室（千问）精选AI 评分7676 HuggingFace Daily Papers（社区热门论文）精选AI 评分7373 ActiveVision 基准测试揭示多模态大模型缺乏主动视觉观察能力
最新基准测试 ActiveVision 通过 17 项任务评估多模态大语言模型（MLLM）的主动观察能力。得分最高的 GPT-5.5（最高推理层级）仅解决 10.6% 的任务，在 11 项任务上得零分；Claude Fable 5 仅解决 3.5%，而三名人类参与者平均得分 96.1%。即使模型自行编写并运行视觉代码，差距依然显著，表明当前 MLLM 缺乏鲁棒的主动视觉观察能力。
推荐理由：前沿多模态模型在需要反复观察的任务上几乎全部翻车，最高分模型只做对 10%，人类 96%，说明现在的大模型不是真在看，而是在猜。做视觉的人应该认真看这篇。
HuggingFace Daily Papers（社区热门论文）精选AI 评分8181 RecGPT-V3 技术报告：状态化混合模态推荐系统在淘宝部署，IPV 提升 1.28%、GPU 成本降低 52.4%
淘宝部署的 RecGPT-V3 采用状态化行为建模、混合模态基础模型（融合文本标签与 Semantic IDs）和潜在意图推理，将用户建模计算量降低 55.8%，输出 token 成本下降。在“猜你喜欢”信息流的大规模在线 A/B 测试中，IPV 提升 1.28%、CTR 提升 1.00%、TC 提升 1.97%、GMV 提升 3.97%，端到端服务资源消耗降低 52.4%。
推荐理由：淘宝首页推荐搬上大模型做推理引擎，记忆+混合模态+潜在推理三件套，带来 +1.28% IPV 同时节省 52.4% 算力，推荐系统真的开始重写成本公式了。
HuggingFace Daily Papers（社区热门论文）精选AI 评分7373 NVIDIA 发布 Audio-Visual Flamingo：面向长视频的开放音频-视觉大语言模型
NVIDIA 推出 Nemotron-Labs-Audio-Visual Flamingo（AV-Flamingo），一个完全开源的音频-视觉大语言模型，专为理解和推理长视频中的音频、图像与复杂场景设计。
推荐理由：NVIDIA 这次把音频和视觉在长视频上的联合推理做成了全开源模型，AV-Skills 数据集和 TAVIT 推理框架是亮点，做视频理解的开发者可以直接拉下来用。
IT之家（RSS）精选AI 评分7979 Kimi 最强模型 K3 发布，Frontend Code Arena 跑分登顶
月之暗面推出迄今最强模型 Kimi K3，拥有 2.8 万亿参数和 100 万 Tokens 上下文窗口。该模型在 Frontend Code Arena 中以 1679 分超越 Claude Fable 5 位居第一，在 7 个前端领域中的 6 个排名 #1。API 定价为每 100 万 Tokens 输入 2 元（缓存命中）或 20 元（缓存未命中），输出 100 元。
推荐理由：Kimi K3 的 2.8T 参数和 100 万上下文不是数字游戏，前端跑分实打实地压过 Claude Fable 5，七个子领域拿六个第一，这对做前端和长文档处理的人是个明确信号，可以下场试了。
Moonshot AI：Kimi Blog精选AI 评分7070 Moonshot AI 发布 PerceptionBench：多模态模型视觉感知能力诊断基准
Moonshot AI 发布 PerceptionBench，一个从 40 多个现有基准中模型实际失败案例归纳出的视觉感知基准，包含 10 项原子感知能力和 3000 道验证题。所有测试模型准确率均未超过 60%，且大量正确答案在重复提问时无法复现，表明模型更多是猜测而非真正感知。PerceptionBench 旨在精确诊断多模态 AI 的视觉感知断裂点，推动其实现忠实、一致的视觉理解。
推荐理由：这是一个把视觉感知拆成原子能力的基准，所有模型不及格，而且猜测多于感知的发现很扎心，做多模态的团队应该拿来测一下自家模型。
Moonshot AI：Kimi Blog精选AI 评分8181 Kimi K3 发布：2.8T 参数开源模型，具备原生视觉与百万 token 上下文窗口
月之暗面发布 Kimi K3，一个 2.8T 参数的开源模型，采用 Kimi Delta Attention 和 Attention Residuals 架构，支持原生视觉能力与 100 万 token 上下文窗口。
推荐理由：首个开源 3T 级模型，架构上有 KDA 和 AttnRes 创新，在超长程编码和知识工作上比肩闭源。权重两周后放出，所有做 agent 的都该盯紧。
公众号：昆仑万维（天工）精选AI 评分6666 天工短剧工作台推出“Agent智能分镜+无限画布”双轨创作模式，告别AI短剧“随机抽卡”
天工短剧工作台（SkyProduction）推出“Agent智能分镜+无限画布”双轨创作模式，将导演思维拆解为六个可干预环节，通过站位图锁定和多视细节图生成解决角色漂移、变脸问题。该工作台支持720°全景图、3D导演台、多账号分级管理及数据中心，并原生支持英文短剧全流程处理。其三部精品短剧上线DramaWave仅7天，均实现百万美元级营收。
推荐理由：天工短剧工作台把导演思维拆解成可干预的站位、光影和调度环节，降低了从单镜头到连续叙事的落差，适合需要稳定产出精品短剧的团队。
Thinking Machines@thinkymachines精选AI 评分7070推荐理由：多模态推理终于有了开放权重的选项，Inkling不是最强的，但可能是最方便你上手微调的。想试试多模态Agent的，今天就能在Playground玩。
IT之家（RSS）精选AI 评分8282 国行 Apple 智能完成备案，阿里千问将集成至苹果 AI 能力
苹果技术开发（上海）有限公司的“Apple 智能”大模型已于 2026 年 7 月 8 日完成备案，适用场景为苹果手机。阿里千问将作为 AI 能力集成至 Apple 智能，为 iOS、iPadOS、macOS 和 visionOS 的中国用户提供文本与图像理解、内容生成等功能，用户无需在应用间切换即可直接体验。
推荐理由：苹果AI备案落地，国行iPhone用户终于等到，但集成的不是自研而是阿里千问，对苹果AI生态和国内AI格局都算一个交代。
公众号：通义实验室（千问）精选AI 评分7373 阿里发布 Qwen-Audio-3.0-Realtime，在 Artificial Analysis 语音推理子项中综合排名第一
阿里通义实验室发布实时语音交互模型 Qwen-Audio-3.0-Realtime，在 Artificial Analysis 的 Speech Reasoning 子项中综合排名第一，超越 OpenAI GPT-Realtime-2。
推荐理由：我觉得Qwen-Audio-3.0-Realtime把情感表达和背景降噪结合得很好，加上工具调用，语音交互终于从聊天走向任务执行，有API可以直接上手，推荐语音产品经理试试。
Modal 官方工程博客（RSS）精选AI 评分7171 Thinking Machines 发布多模态模型 Inkling，Modal 提供 Day 0 托管端点
Thinking Machines 发布通用多模态模型 Inkling，支持文本、图像和音频输入，采用 MoE 架构，总参数 975B、激活 41B、上下文窗口 1M token。
推荐理由：Modal 官方给出了 Inkling 的架构细节和 DFlash 推理实测数据，读者可以借此评估新模型的部署表现。
Together AI 研究与产品博客（RSS）精选AI 评分7676 Thinking Machines Lab 发布多模态 MoE 模型 Inkling，Together AI 提供 Day 0 推理服务
Thinking Machines Lab 发布多模态 MoE 模型 Inkling，Together AI 于发布当日在其 Serverless 平台提供访问，支持 1M 上下文窗口和 OpenAI 兼容 API。
推荐理由：原文来自提供推理服务的合作方，给出了 Inkling 的架构细节、参数规格和初步评测，读者可据此了解新模型的技术取向与可用入口。
vLLM 官方博客（RSS）精选AI 评分7474 vLLM 实现 TML Inkling Day-0 支持并完成推理性能优化
vLLM 宣布对 Thinking Machines Lab 的 1T 参数多模态模型 TML Inkling 提供 Day-0 支持，覆盖 thinkingmachines/Inkling-NVFP4 和 BF16 两个版本，支持文本、图像、音频输入和最长 1M token 上下文。
推荐理由：原文给出 Day-0 支持的具体性能数字、架构优化细节和精度对比，读者可以评估该模型在自己的推理工作流中的可用性。
Hacker News 热门（buzzing.cc 中文翻译）精选AI 评分7676 Bonsai 27B：首款可在手机上运行的27B级多模态模型
Bonsai 27B 基于 Qwen3.6 27B，提供三元（1.71 有效比特/权重，5.9 GB）和 1-bit（1.125 有效比特/权重，3.9 GB）两个变体，后者首次将 27B 级模型装入 iPhone 17 Pro。模型支持多步推理、结构化工具调用、视觉任务和计算机使用智能体循环，拥有 262K token 上下文窗口，支持推测解码加速。在 15 项基准测试中，三元变体保留全精度基线 95% 的性能，1-bit 变体保留 90%，数学和编码能力几乎无损。采用 Apache 2.0 许可证开源。
推荐理由：1-bit 量化把 27B 模型压到 4GB，首次能在 iPhone 上跑，agent 循环零边际成本，做端侧产品的该坐不住了。
Google Developers Blog（RSS）精选AI 评分5858 Google 在 I/O Connect India 展示由 Tensor SoC 和 TPU 驱动的 Pixel 10 端侧 AI 未来
在 Google I/O Connect India 上，Google 展示了由定制 Tensor SoC 和 TPU 驱动的 Pixel 10 系列所支持的 100% 私有端侧 AI 未来。活动首次推出轻量级 Gemma 4 E2B 模型，该模型原生运行于设备端，可实现完全离线的多模态功能，包括 AI 聊天、实时图像识别和个人智能体任务。开发者即日起可通过新发布的 Tensor SDK beta 及其配套开源资源，开始构建这些安全的边缘应用。
推荐理由：我觉得这是端侧 AI 从实验到落地的信号，Gemma 4 E2B 的离线能力搭配新 SDK，让完全本地的多模态应用不再是期货，做移动隐私 AI 的开发者该上手试试了。
HuggingFace Daily Papers（社区热门论文）精选AI 评分7676 小米发布Xiaomi-Robotics-U0：380亿参数多模态自回归模型统一具身合成
小米推出Xiaomi-Robotics-U0，一个380亿参数的多模态自回归模型，用于统一具身合成。该模型将具身生成视为基础图像与视频生成的延伸，联合优化文生图、图像编辑、具身场景生成、具身迁移及具身视频生成。它是首个支持跨多种机器人形态的高质量多视角场景生成模型，并引入结构化可控具身迁移。该模型在单步与序列生成任务上达到SOTA，在具身场景生成与迁移的人类评估中超越GPT-Image-2.0，在World Arena具身视频生成排名第一，并将pi_0.5在真实世界操控任务上的分布外成功率从36.9%提升至63.2%。代码与检查点已开源。
推荐理由：小米这个 38B 的统一具身生成模型，把图像、编辑、场景生成等全塞进一个框架，并在真实机器人操作任务上把 pi_0.5 的成功率从 36.9% 拉到 63.2%，做具身智能的值得认真看。
IT之家（RSS）精选AI 评分7272 高德发布通用世界模型工坊 ABot-WorldStudio，已开放测试
阿里巴巴旗下高德发布通用世界模型工坊 ABot-WorldStudio，并开放测试。该产品将交互式视频生成与 3DGS 场景生成统一，用户输入文字或图片即可生成可实时交互、可分享的 AI 世界。工坊内置“时空任意门”，穿越后可跃迁至另一完整 3D 世界。官方实测单次连续推理稳定运行超1小时，无崩溃、无质量衰减。底层模型 ABot-World0 与 ABot-3DWorld0 均可在单张 5090 上本地部署，已全面开源。
推荐理由：把世界模型从一分钟短片推进到小时级稳定探索，还支持本地一张消费级显卡跑，这对做具身智能和边界探索的团队是个值得上手的信号。
SenseTime@SenseTime_AI精选AI 评分7474
推荐理由：商汤把检测、OCR、深度估计等多个视觉任务塞进一个7B模型，还贴心地开源了数据集和复现工具，做视觉理解或GUI agents的团队可以直接拿它当基座，不是又一个刷榜的轻量版。
HuggingFace Daily Papers（社区热门论文）精选AI 评分7474 Boogu-Image-0.1 发布：开源统一多模态理解与生成模型，训练成本仅约 40 万美元
Boogu-Image-0.1 系列开源统一多模态理解与生成模型发布，包含 Base、Turbo、Edit 和 Edit-Turbo 四个变体，支持高质量文生图、快速推理、指令编辑及中英双语文本渲染。
推荐理由：开源多模态模型终于有一个能打闭源系统的了，40万美元训练成本刷到接近GPT-Image-2的水平，想自己部署图像生成和编辑产品的开发者可以认真看看。