1
iPhone断网跑35B多模态！国产开源新模型，只占3G内存
面壁开源MiniCPM-V 4.7
2
何恺明团队发布多模态Harness框架
多模态模型的视觉原生Harness，来了！
3
谷歌推出 EmbeddingGemma 2：支持多模态、7.4 亿参数量化手机端运行只需 191MB 内存
IT之家 10 月 7 日消息，去年谷歌推出了 EmbeddingGemma，为开发者提供轻量高质量的文本嵌入方案，下载量已超 2000 万次，广泛应用于端侧搜索工具和隐私优先检索增强生成（ RAG ）管线。 如今谷歌正式推出 EmbeddingGemma 2 ，将能力从文本扩展到代码、图像、视频、…
4
Cloudflare 推出基于 Qwen 的开源多模态决策模型 Clef
IT之家 10 月 2 日消息，当地时间 10 月 1 日，Cloudflare 推出基于 Qwen 的开源多模态决策模型 Clef（谱号），包含 Clef 与 Clef-flash 两款模型。 在 Jev 决策指数（Jev Decision Index）的基准评测中（Decision Index …
5
微软推出实验性多模态 AI 研究系统 Project Quine，有望大幅加速药物发现
IT之家 9 月 30 日消息，当地时间 29 日，微软研究院推出了实验性多模态 AI 研究系统 Project Quine。据悉，Project Quine 是一套 用于生物学研究的“世界模型” ，目标是把计算生物学建模与实际湿实验衔接起来。 Project Quine 由微软研究院与哈佛大学和麻…
6
豆包大模型 2.1 Pro 更新 0915 版本：Agent 交付更可靠，多模态 Coding 进化
IT之家 9 月 16 日消息，火山引擎官方今日宣布为豆包大模型 2.1 Pro 更新至 0915 版本， API 全量上线火山方舟 。 IT之家从官方获悉，豆包工作已完成升级，用户下载或升级至最新版，选取“豆包 2.1 Pro（0915 新版）”模型即可体验。 本次升级围绕企业生产级需求，覆盖 A…
7
DeepSeek V4.1 Flash 模型正式发布：全面超越 V4 Pro、原生多模态视觉理解，API 定价下调
IT之家 9 月 10 日消息，深度求索今日正式发布 DeepSeek V4.1 Flash 模型 。这是其全新模型结构系列中的最小尺寸的模型，具备原生多模态视觉理解能力。 新模型结构的设计初衷是：能力上限更高、推理速度更快、吞吐更大、可扩展到更大参数模型。 DeepSeek V4.1 Flash …
8
微信 WeMM-Embedding 多模态模型已在微信大规模使用：覆盖朋友圈搜索等，每天调用量 10 亿次
IT之家 9 月 8 日消息，微信 AI 官方在 9 月 4 日宣布， 将通用多模态嵌入模型 WeMM-Embedding 开源 ，包含 2B、4B、9B 三个版本，支持文本、图像、视频、视觉文档以及任意交错的多模态输入。 据微信员工 @客村小蒋 分享，微信视觉团队最近开源的多模态模型 WeMM-E…
9
微信开源通用多模态嵌入模型 WeMM-Embedding，已大规模部署在微信推荐与搜索系统中
IT之家 9 月 4 日消息，微信 AI 官方今日宣布，将 微信线上每天调用十亿量级 的通用多模态嵌入模型 WeMM-Embedding 开源， 包含 2B、4B、9B 三个版本 ，支持文本、图像、视频、视觉文档以及任意交错的多模态输入。 官方表示，WeMM-Embedding 选择基于 Qwen3…
10
DeepSeek-V4-Flash-Vision-Exp 模型已开源，多模态 Agent 能力接近 Opus-4.8
IT之家 8 月 31 日消息，刚刚，DeepSeek V4 首个多模态模型 DeepSeek-V4-Flash-Vision-Exp 在 Hugging Face 上线，采用 MIT License 开源。 公开内容包括模型文件、Tokenizer、Prompt Encoding 参考实现，以及最…
11
派早报：智谱开源 GLM-5.3-Flash 原生多模态模型等
Perplexity AI 推出 Portable Computer，明基推出 Creative Pro PV50 系列专业显示器。 查看全文
12
Ox Alpha 现身：智谱开源 GLM-5.3-Flash 原生多模态模型，限时折扣价为 GLM-5.3 的 1/20
IT之家 8 月 26 日消息，智谱今晚上线并开源 GLM-5.3-Flash (320B-A18B)，这是 GLM-5 系列的首个原生多模态模型。该模型总参数量为 320B（3200 亿），激活参数仅 18B（180 亿）。 智谱在正式发布前，以匿名模型 Ox-Alpha（中文社区称作牛来）在 O…
13
基于下一代 Qwen4 架构所构建的多模态 MoE 模型，阿里千问预告明晚开源 Qwen3.8-Flash-Next
阿里千问明晚开源基于Qwen4架构的多模态MoE模型Qwen3.8-Flash-Next，新一代架构值得期待。
IT之家 8 月 25 日消息，魔搭社区（ModelScope）显示，阿里千问 Qwen3.8-Flash-Next 模型将于北京时间 08 月 26 日 23:00 开源。 页面显示，阿里千问将发布 Qwen3.8-Flash-Next 和 Qwen3.8-Flash-Next-FP8 两个版本模…
14
ATP-Bench: Towards Agentic Tool Planning for MLLM Interleaved Generation
多模态大模型如何自主规划工具生成图文交织内容？首个基准ATP-Bench来了。
arXiv:2603.29902v2 Announce Type: replace Abstract: Interleaved text-and-image generation represents a significant frontier for Multimodal Large Langu…
15
MedReaMM: Evaluating Large Multimodal Models on Expert-Level Clinical Diagnostic Synthesis
破解AI看病难题：全新基准MedReaMM如何考核多模态大模型的专业诊断整合能力
arXiv:2608.22323v1 Announce Type: new Abstract: The application of Large Language Models (LLMs) to diagnostic decision-making has garnered growing int…
16
Omni-SafetyBench: A Benchmark for Safety Evaluation of Audio-Visual Large Language Models
首个聚焦音视频大模型安全性的基准，曝光跨模态越狱漏洞，为多模态安全研究提供关键测试标准。
arXiv:2508.07173v3 Announce Type: replace Abstract: Omni-modal Large Language Models (OLLMs) that integrate visual, auditory, and textual processing f…
17
Multi-Modal Semantic Expansion with Constrained LLM Reranking for Conversational Music Recommendation
用多模态检索加约束重排搞定音乐对话推荐，参赛方案干货满满，值得算法人细读。
arXiv:2608.23484v1 Announce Type: new Abstract: We present Team Semiintelligencn's solution for the ACM RecSys 2026 TalkPlayData Challenge, addressing…
18
Beyond RGB: Benchmarking and Enhancing MLLMs for Hyperspectral Image Understanding via Training-Free Reasoning Framework
多模态大模型不止看懂RGB，高光谱成像理解迎来全新基准与免训练推理框架。
arXiv:2604.08884v2 Announce Type: replace-cross Abstract: Multimodal Large Language Models (MLLMs) have achieved strong performance on RGB image under…
19
Anchoring Bias: A Persistent Fairness Backdoor Attack against MLLMs under Continual Learning
揭秘多模态大模型在持续学习中的公平性后门攻击，锚定偏差如何悄然埋下隐患。
arXiv:2608.21577v1 Announce Type: cross Abstract: Multimodal Large Language Models (MLLMs) are increasingly deployed in high-stakes domains where fair…
20
Context-Aware Cluster Decoding: Semantic Anchor-Driven Coherence in dMLLMs
多模态大模型解码新思路：用语义锚点驱动聚类生成，让长文本输出更连贯，EMNLP 2026 已收录，值得跟进。
arXiv:2608.22367v1 Announce Type: new Abstract: Diffusion multimodal large language models (dMLLMs) frequently produce long-form outputs marred by sem…