multimodal-model

Liquid AI 在 Hugging Face 上发布了 LFM3，这是一个拥有约 20 亿参数、共享骨干网络的模型家族，涵盖文本、视觉、音频、全模态和决策模型，可通过 Transformers.js 利用 WebGPU 在浏览器中实时为本地视频生成字幕。

Microsoft Research推出了Quine，这是一个早期的AI系统，它创建了一个多模态的生物学世界模型，帮助科学家通过计算探索复杂假设并优先安排实验。

ZDTaichu5.0-9B 是一个多模态基础模型，结合了 Qwen3.5-9B 语言骨架和 C-RADIOv4-H 视觉编码器，在10B规模的视觉语言模型中擅长一般视觉理解、空间推理和代理任务。

Puffin-World 是一个统一多模态框架，通过 Omni-Camera 表示法整合物理理解、空间模拟和3D世界生成，并使用 Puffin-16M 数据集进行扩展。

World Labs 推出了 Atlas，这是首个多模态世界模型，能够生成具有像素级完美相机控制的图像和视频，并在3D中重建它们。

HealthCUES 是一个用于对话式医疗代理中实时咳嗽检测和亚型分类的流式管道，它使用多模态大语言模型来提供临床洞察，而不中断对话。

Gemini Omni 1.1 Flash 是 Google 最新的多模态模型，为开发者引入了新的创作控制和生成视频能力。

Qwen3.8-27B 无审查版本发布，专为 Mac M 芯片优化，支持本地部署，保留多模态能力和安全研究功能，提供简化安装步骤。

谷歌在开发者大会上宣布搜索迎来25年来最大升级，正式进入AI智能体时代，同时推出多模态模型Gemini Omni、桌面智能体应用anti-gravity 2.0、个人AI智能体Gemini Spark以及首款AI音频眼镜等近三十项更新，AI能力从聊天问答转向后台自动执行任务，并布局科研与新药研发。