vision

阿里巴巴在 Arena 上发布了 Qwen3.7-Max-Preview 和 Qwen3.7-Plus-Preview，在文本和视觉类别中均取得顶级排名。

CohereLabs 发布了 Command A+，一个开源的 25B 活跃参数模型，针对智能体、多语言和推理任务进行了优化，支持视觉功能，采用 Apache 2.0 许可证。

来自interfaze_ai的新AI模型声称在OCR、视觉和语音转文字任务上超越领先模型（sonnet 4.6、gemini 3 flash、gpt 5.4 mini）。

open-slide v1.2.0 已发布，允许 AI 代理在不借助浏览器的情况下直接解析幻灯片内容。

Gemma 4 的视觉表现受默认 token 预算过低拖累；在 llama.cpp 中将 --image-max-tokens 提到 2240，可解锁顶尖 OCR 与细节识别，代价是额外占用约 14 GB 显存。

经过实测并结合部分客户反馈，这是目前首款让我有底气向客户推荐用于替代 Opus 4.7 的模型。虽然它在单项能力上并未明显超越 Opus 4.7，但能以可接受的质量完成 Opus 约 85% 的任务，同时还配备了视觉理解和强大的浏览器操作能力。我最近一直在逐步将部分个人工作流迁移至 Kimi K2.6，表现令人惊喜，尤其在长周期任务中尤为出色。尽管该模型体积庞大，

Google DeepMind 发布了 Gemini Robotics-ER 1.6，这是一个升级的模型，具有增强的视觉和空间理解能力，使机器人能够更好地推理和与物理世界互动。

OpenAI 发布了 GPT-4V(ision) 的系统卡，详细说明其安全属性和评估结果。GPT-4V(ision) 在 GPT-4 的基础上增加了图像输入功能，支持多模态指令跟随和视觉分析。

OpenAI 与 Be My Eyes 合作使用 GPT-4 实现视觉无障碍，使盲人和低视力用户能够通过智能摘要和实时指导来浏览网站、电商平台和物理空间。该系统利用 GPT-4 的视觉能力来识别重要内容，并提供模拟视力正常用户自然浏览信息方式的上下文协助。