TAG:多模态AI
阿里开源Qwen3-VL，攻克长视频分析难题，引领多模态技术突破
阿里巴巴开源了新一代视觉-语言大模型Qwen3-VL，在长视频分析领域取得重大突破。该模型在长达2小时的视频中能保持99.5%的关键帧定位准确率，解决了长时序理解的核心难题。同时，在视觉数学和多语言文档处理等专项任务上也达到业界领先水平，为视频分析、智能剪辑等应用提供了自主可控的解决方案。
亚马逊Nova 2系列模型发布 AI性能再创新高
亚马逊云科技在re:Invent2025大会上发布了Nova2系列自研大模型，涵盖文本、图像、视频、语音多模态场景，并首次内置网页检索与代码执行能力。该系列包括Nova2Lite、Nova2Pro、Nova2Sonic和Nova2Omni四款模型，在多项基准测试中性能对标行业领先产品，同时宣称具有更高的性价比。AWS还推出了Nova Forge定制训练服务，旨在降低企业自建大模型的成本。
Kling 2.6即将发布：原生音频与1080P高清视频，AI视频迈入有声时代
快手Kling AI发布2.6版本，首次实现原生音频生成，支持中英双语对白、歌唱与音效同步输出，完成“文本-视频-音频”一键闭环。该版本保持10秒1080P高清输出，成本降低30%，并在复杂指令遵守、角色一致性等方面显著提升。面向影视、广告等专业场景，有望大幅缩短后期流程，推动AI视频进入有声时代。
AI推理的“新王”驾到？当xLLM-Core，用20毫秒的延迟，向vLLM发起挑战
xLLM社区将于12月6日举办首届线下Meetup，重磅发布自研开源推理引擎xLLM-Core。该引擎支持MoE、文生图、文生视频全场景，通过统一计算图和Mooncake缓存方案实现P99延迟低于20ms，较vLLM性能提升42%，吞吐量提升2.1倍。现场将分享京东双11实战案例，展示峰值每秒40k请求处理能力，并发布Apache 2.0开源版本。
告别复制粘贴！NotebookLM直接“读懂”文档，你只需动嘴，它来做PPT
谷歌NotebookLM推出重磅更新，新增Slide Decks功能可将用户上传的PDF、文档等资料一键生成专业级PPT演示文稿。借助Nano Banana Pro图像生成模型，配图质量远超Gemini App，支持自定义风格和多次优化，彻底解决AI工具的内容幻觉问题，成为知识工作者的高效生产力工具。
文心大模型5.0重磅发布！百度推全球首个“原生全模态”大模型，李彦宏：智能本身就是最大应用
百度在2024世界大会上正式发布文心大模型5.0，这是全球首个'原生全模态'大模型，实现了文本、图像、语音的底层统一表征与联合训练。该模型能自然处理跨模态复杂任务，推理效率和泛化性能显著提升。李彦宏强调'智能本身就是最大应用'，文心5.0将通过千帆平台开放给开发者，并深度集成到百度全系产品中，推动AI像水电一样无处不在。
AI的“火眼金睛”：当你的旅行照，成为一份完整的个人档案
央视新闻在2025年世界互联网大会期间发出高危警示：AI技术正让日常社交晒图变成隐私泄露新途径。现代AI不仅能识别人脸、证件文字，还能通过上下文推理还原住址、行程轨迹等敏感信息。文章揭露了交通票证、个人证件和实时定位三类高危晒图行为，并提供主动防护建议，帮助用户在AI时代保护个人隐私安全。
百度重磅发布新一代多模态AI模型ERNIE-4.5-VL
百度最新发布多模态AI模型ERNIE-4.5-VL-28B-A3B-Thinking，该模型具备强大的语言处理能力并创新引入'图像思考'功能。通过仅3B激活参数设计实现高效计算，支持图片放大、搜索等工具调用，显著提升图像与文本交互体验。这一开源模型将为智能搜索、在线教育、电子商务等领域带来新的技术突破与应用可能。
17秒的“创世纪”：Grok Imagine发布，一场关于AI视频速度的闪电战
xAI旗下AI助手Grok推出重磅升级，Grok Imagine支持纯文本直接生成带音效的短视频。用户只需输入一句话描述，17秒内即可获得6-15秒高质量视频，支持多种宽高比和创意模式，大幅降低视频创作门槛。这一功能以碾压级速度挑战OpenAI Sora和Google Veo，让每个人都能轻松将想法转化为视听内容。
中文图像编辑迎来新王！UniWorld-V2发布，框选即改、中文字体精准渲染，性能碾压GPT-Image与Gemini
UniWorld-V2是由兔展智能与北京大学联合推出的新一代图像编辑模型，基于创新的UniWorld-R1强化学习框架，在图像编辑领域实现重大突破。该模型支持框选即改操作，能够精准理解中文指令并渲染复杂中文字体，在GEdit-Bench和ImgEdit测试中性能显著超越GPT-Image与Gemini等知名模型，为多模态图像编辑技术带来新的可能性。
引擎的叛逆：Llama.cpp史诗级更新，本地AI迎来“Ollama时刻”
llama.cpp迎来史诗级更新，实现多模态输入、并行交互和JSON结构化输出三大突破。用户可直接处理图片、音频和PDF文件，通过现代化Web界面进行多任务并行处理，并自定义JSON模板实现自动化输出。所有操作100%本地运行，保障数据隐私，为普通用户和开发者提供高效安全的本地AI解决方案。
谷歌CEO确认:Gemini3年内发布，AI Agent能力或成突破口
谷歌CEO皮查伊确认Gemini3将在年内发布，重点提升AI Agent能力以处理复杂多模态任务。这款新模型旨在超越Gemini2.5Pro，缩小与GPT-5等竞争对手的差距。同时，Alphabet季度营收首次突破千亿美元，AI业务成为核心增长动力，Gemini App月活用户达6.5亿，显示谷歌在AI领域的强劲发展势头。
0 
0 
前端危，Gemini 3内测结果获网友一致好评，“有史以来最强前端开发模型”
谷歌Gemini 3模型未发布便引发热议，内测结果显示其在前端开发、SVG矢量图生成和多模态能力方面表现卓越。网友实测证实它能一次性生成网页、创作动画SVG、制作黑洞可视化效果，甚至在通用智力测试中超越GPT-5等竞争对手。模型预计10月22日发布，被赞为'有史以来最强前端开发模型'。
