TAG:多模态模型
KlingAI数字人2.0上线爆火 五分钟一键生成唱跳视频
快手可灵AI发布数字人模型Avatar2.0，用户只需一张照片和一段音频，即可一键生成5分钟唱歌视频。该模型通过多模态导演模块实现情感与动作的自然表达，告别传统数字人的'面瘫'感，支持高清流畅输出，已上线免费试用。这一突破将重塑短视频、电商营销等内容创作生态，降低专业视频制作门槛。
0 
0 
快手可灵2.6全量上线 字节Seedream4.5发布 DeepSeek连发两款新模型
本期AI日报汇总了AI领域的最新动态：快手可灵2.6实现音画同步生成；字节Seedream 4.5提升多图一致性；智源研究院推出世界模型Emu3.5；小米公布AI战略路线图；DeepSeek发布两款新模型。内容涵盖多模态生成、模型升级、行业应用与安全研究，为开发者提供全面的技术趋势洞察。
商汤开源NEO架构：数据量锐减九成，多模态模型性能仍领先
商汤科技联合南洋理工大学S-Lab发布原生多模态架构NEO，通过全新设计实现像素到Token的连续映射，数据需求仅为业界平均的1/10，在多个基准测试中取得SOTA性能，并开源模型权重与训练脚本。
视频AI的“关键一跃”：快手Kling Omni本周发布，用2分钟原生音频树立长视频生成新标杆
快手科技本周正式发布Kling Omni多模态视频基础模型，该模型通过统一的多模态视觉语言框架，提供导演级精准控制能力，支持文本、图像和视频多输入参考。相比前代产品，Kling Omni可生成长达2分钟的连续视频，并集成了原生音频同步技术，实现帧级精确匹配。目前该系列已服务全球4500万用户和2万家企业，被视为AI视频领域的革命性跃进，将推动影视、广告和游戏产业的高效创作。
快手旗舰 Keye-VL-671B-A37B 重磅发布，多模态推理能力实现新突破
快手发布新一代旗舰多模态模型Keye-VL-671B-A37B，该模型具备'善看会想'特性，在通用视觉理解、视频分析和数学推理等核心能力上实现突破。采用DeepSeek-V3-Terminus作为基座，通过三阶段预训练和系统优化，显著提升了多模态理解与复杂推理能力。未来将强化多模态Agent能力，支持工具调用和深度思考，推动多模态AI向更通用、可靠的方向发展。
Google Gemini 3 Pro预览版现身Vertex AI：支持百万级上下文窗口
谷歌Gemini 3 Pro预览版在Vertex AI平台被发现，支持高达100万token的上下文窗口，预计11月正式发布。该模型在标准层级支持20万token，高级层级扩展至100万，优化了多模态处理和输入输出比率，适用于长文档分析、金融建模和自动化代理系统等企业级应用，性能预计超越GPT-4o。
LiblibAI 完成1.3亿美元融资，成为国内最大单笔 AI 应用投资
LiblibAI近日完成1.3亿美元B轮融资，创下国内AI应用领域最大单笔融资纪录。本轮融资由红杉中国、CMC资本等机构领投，将用于加速全球化布局和多模态内容生态建设。作为国内最大的AI应用平台，LiblibAI整合图像、视频、3D等多种多模态能力，已孵化超2000万创作者，其'工具集成+社区生态'模式标志着AI投资正从底层模型转向应用层落地。
文心4.5最强衍生模型发布 PaddleOCR-VL登顶OCR综合性能全球第一
百度正式发布并开源多模态文档解析模型PaddleOCR-VL，该模型在全球权威评测OmniBenchDoc V1.5中以92.6分取得综合性能全球第一，超越GPT-4o、Gemini-2.5 Pro等主流模型。模型参数仅0.9B，轻量高效，支持109种语言，精准识别文本、表格、公式等复杂元素，推理速度较同类模型提升显著，适用于政企文档管理、知识检索等多种智能任务。
字节跳动Seed推出「机器人大脑」Robix：让机器人学会思考、规划与灵活互动
字节跳动Seed团队最新发布Robix「机器人大脑」，通过一体化端到端多模态模型整合推理、任务规划与人机交互，突破传统模块化设计的局限性。该技术使机器人能够处理复杂长程任务，实现智能食材准备、动态指令响应和自然交互，让机器人真正具备思考与灵活互动能力。
