标签
展示了 Fable 5.5 与 GPT 6.2 Astra 在通过隐身路由（stealth routing）生成 PS5 手柄 SVG 图形时的对比结果。
一个针对 llama.cpp 的拉取请求在 mtmd（多模态）模块中添加了对 Nemotron 3.5 Transcribe 的支持，扩展了该库的音频转录能力。
OpenCode 新上线神秘隐身模型 Pulse Alpha，提供 1M 上下文、131K 最大输出、多模态输入与三档推理模式，限时免费；外界猜测其底层可能为 GLM 5.5 或 Qwen 系列。
Reviso 是一个智能体视频字幕生成框架，采用分层的 Context-Focus-Points（上下文-焦点-目标）规划与主动感知机制来优先关注关键视觉证据，并通过 GRPO 及专用奖励进行训练，在四个视频字幕生成基准上超越了开源基线模型。
Moonshot AI 宣布推出 Kimi K3.1 Pro，这是其能力最强的 3T 级开放权重 MoE 模型，支持 100 万 token 的上下文窗口，Modal 将于本周在该模型发布首日提供支持。
Hume AI 宣布推出 Hume Audio Decision API，这是一款音频原生模型，无需转录文本，即可直接根据音频回答有关语气、情绪、语言和说话人数的问题。该模型使用超过 1000 万条人类评判数据和 1 亿小时的音频进行训练。
LongCat-2.5 是一款原生多模态模型，专为智能体任务而设计，将视觉语言能力与工具使用和长周期任务执行能力相结合。
Fovea-4B 是一个拥有 40 亿参数的开放权重视觉模型，将 Jev 风格的类型化决策契约引入图像，在 ImageJev 风格任务中以 80.6 的机会校正准确率和出色的校准表现（ECE 0.035）领先，并以 Apache-2.0 许可证发布。
Apriel Voice 27B Preview 是一个开源语音-语言模型，基于 Gemma 4 26B-A4B 后训练检查点构建，通过两阶段训练将语音理解、推理与工具调用统一到共享推理骨干中，并在 Big Bench Audio、Speech-BFCL 和 τ-Voice 等基准上取得有竞争力的成绩。
该论文提出了角色感知服务器优化（RASO），一种将贡献者选择与针对不同角色的服务器动量更新相协调的方法，以改善部分模态缺失情况下的多模态联邦学习，并在多个数据集和多种融合架构上验证了其有效性。
DR Pixel 是一个开源的端到端多模态深度研究智能体，直接基于渲染后的文档页面图像进行检索和推理，而非使用 OCR 提取的文本，并引入反事实贡献重加权方法，用于智能体监督微调。该方法在 GPT-5.4 和 Gemini-3.5-Flash 等模型上，在 DRPixelBench 中的表现优于基于 OCR 的基线，训练后将检索召回率提升约 15 个百分点，准确率提升超过 10 个百分点。
一位用户询问，Gemma 4 E4B 是否仍然是最佳的小型多模态模型（参数少于 8B／内存占用低于 6GB），适合通过 MLX 在 Mac 上运行支持工具调用的本地个人助理，并提到尝试 Ling 3.0 tiny、LFM 系列模型以及 Qwen 3.5 4B/9B 均未成功。
Ava 是一个在浏览器中运行的完全本地化 AI 虚拟形象，由通过 WebGPU 运行的 LFM3-Omni 模型驱动，并以 Hugging Face Space 演示的形式提供。
Nace.AI 发布了 Drex Max v1，这是一个开放权重的 27B 多模态决策模型，配备 255 路读出头和 262K token 上下文，可在单次前向传播中返回各选项的概率分布，在公开的 Decision Index 0.4 基准上得分 67.52，并可通过 llama.cpp、Ollama 和 MLX 在 Apple Silicon 上本地运行。
《自然》上的一篇论文介绍了 EVLF-FM，这是一款拥有 80 亿参数、具备细粒度可解释性的临床多模态视觉语言基础模型，在放射学、皮肤病学及其他医疗任务中的表现优于临床医生，表明前沿水平的医疗智能无需数据中心级别的算力即可运行。
一篇论文介绍了 A-RSI（用于自我改进的自适应任务刷新），这是一种通过在训练过程中自适应地刷新任务，实现零数据多模态自我改进的方法，无需新增人工标注数据。
SenseNova 发布了 SenseNova-Loop-9B-Preview，这是一款基于共享循环块和 mHC 残差流架构构建的循环多模态模型，面向长上下文和智能体工作流，支持动态设计、PPT 生成和数据分析等多种能力。
inclusionAI 发布了 ZwZ2 系列（27B/9B/4B），基于 Qwen3.6 微调的视觉语言模型，通过 EvidenceConnect 构建的多区域验证数据与 GRPO 训练，在六大领域 25 个基准上均超越基座模型，总体准确率从 55.52 提升至 60.51（+4.99）。
LFM3-1.7B 和 LFM3-VL-2B 现已可通过开源的 Private Mind 应用在 iPhone 和 Android 上完全离线运行，并附有详细说明，介绍了将 LFM3 的新型架构（门控卷积、混合注意力、滑动窗口缓存调整）导出到 ExecuTorch 所需的工作，在 iPhone 16 Pro 的 GPU 上实现了约 40 token/秒的速度。