多模态[47]
李飞飞团队研发Marble模型：自动化生成超大规模3D虚拟世界
李飞飞团队Marble 3D世界生成模型，可通过文本或图像提示生成超大规模、细节丰富且空间连贯的虚拟环境，为3D AIGC领域带来新突破。该模型融合扩散模型、NeRF及大型语言模型技术，有望赋能游戏开发、元宇宙构建及自动驾驶模拟训练等场景，引发业界对其计算效率与可控性的关注。
字节跳动港大联合发布Mini-o3：低成本复现并超越o3视觉推理
字节跳动与香港大学联合开发的开源模型Mini-o3，实现多轮视觉推理突破：以最多6轮训练数据，支持测试时数十轮深度推理，解决传统模型训练成本高、推理深度有限痛点。在高难度视觉搜索任务中超越现有开源模型，依托VisualProbe数据集与两阶段训练法，推动机器人视觉、医疗影像等领域应用。
蚂蚁集团推出全球首个智能眼镜可信连接框架gPass 重构数字生活入口
AI眼镜成下一代智能终端，但面临生态碎片化难题。蚂蚁集团推出全球首个智能眼镜可信连接技术框架gPass，以安全、交互、连接为核心，破解软硬件不统一、应用匮乏、服务割裂痛点，构建全链路安全防护、自然多模态交互及跨设备协同标准，已落地支付、文旅、医疗等场景，加速行业普及，重新定义数字生活入口。
快手可灵AI数字人技术公开：从对口型到全身表演，数字人迈入“会表演”时代
快手可灵AI推出Kling-Avatar数字人技术，突破传统数字人僵硬局限，通过多模态大语言模型实现"全身自然表演"。支持文本/音频/图像输入，生成含表情、肢体、情绪的流畅视频，口型精准、动作连贯。技术已开放公测，助力虚拟主播、动画制作等内容创作，重新定义数字人表演边界。
语音语言模型(LSLM)破局：全球首个开源端到端框架LLaSO树立研究新基准
在语音语言模型（LSLM）面临架构碎片化、数据不透明等瓶颈时，北京深度逻辑智能推出全球首个完全开源、端到端语音大模型框架LLaSO。该框架含数据对齐（1200万样本）、指令微调（1350万样本）、评估基准（1.5万测试样本）三大核心组件，解决行业痛点，推动语音AI迈向开放可及未来。
OpenVision 2发布：极简生成式视觉预训练摒弃对比学习，性能效率全面超越CLIP
OpenVision 2掀起视觉预训练“减法革命”，以极简设计挑战CLIP霸权：砍掉文本编码器与对比学习，仅保留图像→描述生成任务，训练效率提升1.5-2倍、显存占用减半，性能媲美CLIP，在OCR、图表理解等细粒度任务更优。依托Recap-DataComp-1B v2高质量数据，推动视觉大模型降门槛。
全球大模型开源生态报告2.0发布：中美贡献超四成核心力量，AI编程工具爆发式增长
《全球大模型开源开发生态全景与趋势报告2.0》发布，蚂蚁开源联合Inclusion AI勾勒AI开源生态。数据显示，62%核心项目诞生于“GPT时刻”后，平均年龄30个月，迭代加速至2-3个月；中美开发者贡献超40%，成“双核引擎”。技术上，MoE架构突破参数瓶颈，多模态成主流，AI编程工具爆发重塑开发流程，中国以开放权重策略推动生态创新。
马拉维农民借AI聊天机器人Ulangizi应对气候危机，农业生产模式悄然变革
马拉维农民灾后借AI助手Ulangizi重获生机。这款基于LLaMA模型、依托WhatsApp的工具，提供病虫害诊断、种植管理及气候适应建议，助农户如Alex Maere改种土豆增收超800美元。Ulangizi推动经验种植转向科学管理，为非洲应对气候变化、农业数字化开辟新路径。
Google Gemini登顶美国App Store免费榜：Nano Banana AI图像编辑模型驱动
Google Gemini登顶美区App Store免费榜，内置Nano Banana AI图像编辑模型成关键。该模型以角色一致性控制（解决主体失真）、多模态交互（支持13图融合、地图标记生成）、高效处理（单次10-20秒）为核心优势，免费用户每日可编100张图，正重塑社交创作、3D打印等场景，成AI图像编辑新标杆。
快手可灵团队发布MIDAS框架：64倍压缩与500ms低延迟实现数字人多模态实时交互
快手可灵团队发布MIDAS框架，破解数字人实时交互高延迟与多模态融合难题，端到端延迟<500ms，支持音频、文本、姿态协同控制。通过64倍压缩自编码器、双阶段生成设计，实现自然对话、跨语言歌唱等场景落地，推动虚拟主播、元宇宙社交等领域数字人交互升级。