1
美图旗下RoboNeo接入MiniMax H3，支持局部编辑、多模态理解
美图RoboNeo接入MiniMax H3，多模态理解加持，局部编辑能力再升级！
36氪获悉，美图旗下RoboNeo宣布正式接入MiniMax H3，进一步强化多模态理解能力，可理解文字、图片、视频及音频等多种输入形式。同时支持更加精细化的视频局部编辑，包括人物替换、物体增减、背景修改、特效调整、音色迁移以及台词修改等操作。
2
MMR-V: What's Left Unsaid? A Benchmark for Multimodal Deep Reasoning in Videos
视频多模态推理新基准MMR-V，挑战模型理解“未言说”的深层语义。
arXiv:2506.04141v2 Announce Type: replace-cross Abstract: The sequential structure of videos poses a challenge to the ability of multimodal large lang…
3
字节豆包 Seed 2.1 Pro 和 Turbo 深度思考模型发布，三大能力比肩 GPT-5.5
字节发布新一代大模型Seed 2.1，三大能力全面升级，Pro和Turbo版本深度思考对标GPT-5.5。
IT之家 6 月 23 日消息，据IT之家小伙伴反馈，字节跳动悄悄在火山引擎官网上线了 豆包 Seed 2.1 系列模型 ，包括 Pro 和 Turbo 版本，Seed-Evolving 模型也进行了迭代。 根据官方介绍，Doubao-Seed-2.1 是面向 Coding 和 Agent 时代打造…
4
Do Audio LLMs Listen or Read? Analyzing and Mitigating Paralinguistic Failures with VoxParadox
ICML 2026新研究揭示：音频大模型可能只会“读”文本，而非真正“听”懂副语言信息，VoxParadox框架提供诊断与解决方案。
arXiv:2605.27772v1 Announce Type: cross Abstract: Audio large language models (Audio LLMs) demonstrate strong performance on speech understanding task…
5
JoyAI-Image: Awaking Spatial Intelligence in Unified Multimodal Understanding and Generation
统一多模态理解与生成框架，唤醒空间智能，为AI视觉注入全新维度。
arXiv:2605.04128v2 Announce Type: replace-cross Abstract: We present JoyAI-Image, a unified multimodal foundation model for visual understanding, text…