标签
埃隆·马斯克回应了一则说法，称 Grok 机器人现在可以通过操作按钮查看手机屏幕上的内容，并回答相关问题。原帖描述了实时分析视频、短视频和文章等功能。
Chandra OCR 2.6 发布，宣称在 API 上比前沿模型更快、更便宜且更准确，超越 Gemini Flash、Opus 和 Sol，成本降低 5-15 倍，速度提升 2-10 倍。
OpenAI 发布了 GPT-6.1 Terra，这是一款中端模型，侧重于视觉推理、计算机操作和更清晰的写作，定价为每百万输入 token 1 美元、每百万输出 token 5 美元——约为 GPT-6.1 Sol 成本的一半。
OpenAI 发布 GPT-6.1 Terra，一款兼顾视觉推理、计算机操作与自然写作的高效模型，API 价格较 GPT-5.6 Terra 低 50%，在 Agents' Last Exam、MMMU-Pro、OSWorld 2.1 和 Terminal-Bench 4.0 等基准上大幅提升，同时显著降低幻觉与事实错误率。
Liquid AI 发布 LFM3-Omni-2B，这是其 LFM3 系列的首款全模态模型，能够理解文本、图像、视频和音频，并以文本和语音形式作答。该模型专为手机、笔记本等边缘设备设计，仅需 2.2B 参数即可替代独立的 ASR、VLM、LLM 和 TTS 模型。
Nace 发布 Drex Max 2.0，这是一款面向计算机使用智能体（computer-use agents）的 27B 多模态决策模型，能够在单次前向传播中对各选项进行评分，延迟低至毫秒级；通过 Nace API 调用的定价为每百万输入 token 0.06 美元。
MiniMax 宣布此前以 "Space Bunny" 匿名现身的模型其实是 M3.1 Flash 的早期版本，其在 DeepSWE 编码上得 74%、BabyVision 视觉推理上得 91%，速度是 M3 的 3 倍而成本仅三分之一，适合长时间运行的智能体任务。
TypeSafe 的 Jev 决策模型现已支持多模态输入，新增了 Box 问题类型和 assets 字段，可返回结构化、符合 Schema 的答案（choice、noul、score、box），并附带概率，可直接在代码中使用，无需再解析自由格式的 LLM JSON 输出。
发布了一个名为 Cajal-1 的 2.18 亿参数全脑皮层编码模型，基于 2000 人观看影片、电视和图片时的 fMRI 数据训练，可预测视觉、听觉和语言刺激在 20,484 个皮层位置上的响应。模型与 Colab 演示已在 Hugging Face 上开源。
nazeshinjite 发布了 DeepSeek V4.1 Flash 1017 的 3.91bpw GGUF 量化版本，面向 antirez 的 DwarfStar (ds4) 推理引擎，采用 SSD 流式加载，可在 128GB Mac 上以最高 20tps 解码。
一项实测基准评估在 48 张带标注的 COCO 照片上，测试了 TypeSafe 的 Jev 1.14 的图像输入和新增 Box（边界框）输出功能，发现其是非判断准确率很高（98.4%），但也存在明显陷阱：Box 从不回答“未找到”，置信度阈值无法在不同模型版本之间通用，而且措辞会显著影响概率。作者建议，每次使用 Box 时都配合目标是否存在的检查，为每个问题单独设置阈值，并固定模型版本。
Jev 决策模型现已支持多模态输入，允许在状态和问题中同时传入图像，并新增了 Box 类型，可返回 YOLO 风格的边界框用于目标定位。此次更新还支持并行问答，适用于交互式视觉应用，其中图像和 Box 功能仍处于实验阶段。
Jev 推出多模态视觉能力，作者通过视频演示了如何使用 Jev 处理图像、并行提问及具体注意事项。
推文评价 DeepSeek v4.1 Flash 在空间与视觉理解方面表现优异，认为明显优于 GLM 5.3 Flash。
Sam Altman 分享关于让每个人都能使用 AI 的愿景，强调 AI 能让个人以有限预算完成过去需要整个团队才能做到的事情，释放人类潜能。
Basalt 是一个为 Qwen 3.8 Flash Next 定制的推理引擎，从 Strata 分叉而来并针对 Blackwell 深度调优。它引入了动态视觉编码：空闲时将图像编码器保存在 RAM 中以节省 VRAM，仅在有图像输入时才上传到显存，对文本推理的开销几乎为零。团队还公开了相关 commit hash，方便开发者将该技术移植到自己的推理引擎中。
Rohan Paul 强调了 Meta 首席 AI 官 Alexandr Wang 关于“自主性升级阶梯”（escalator of agency）概念的评论。在这一概念下，Muse 等产品旨在帮助人们终其一生不断追求更大的梦想，从而保护童年时期的雄心壮志。
vLLM Semantic Router 团队发布了 Decision 3.0（d3），这是一个开源（Apache-2.0 协议）多模态决策模型系列，参数规模从 6 亿到 270 亿，支持文本、图像和视频处理，凭借零样本视频表现，在 Jev Decision Index 的两个榜单上均排名第一。