多模态模型

研究人员推出S1-Omni模型，首次将科学理解、预测与生成能力整合于统一框架，在60多个科学基准测试中表现优异，多数任务超越GPT-5.5和Gemini-3.1-Pro。

Om AI联汇推出全球首个面向物理世界的端侧流式多模态模型VLX，标志着AI在物理交互领域迈出重要一步。

智谱AI正式推出GLM-5V-Turbo视觉编程模型，该模型原生支持图像、视频、设计稿和文档布局等多模态输入，在视觉与编程能力间取得平衡。

研究人员提出新型多模态驾驶助手EVLA，首次将实时电驱系统状态（如电机扭矩、电池电量）融入视觉-语言模型，实现基于物理约束的驾驶决策。

研究者提出COMPASS框架，首次在统一多模态系统中实现构图意图的感知与可控生成，通过共享专家令牌连接分析与生成任务。

Google DeepMind 宣布为 Gemini 1.5 Flash 模型引入计算机使用能力，使其能够理解屏幕内容并执行操作指令，显著提升多步骤任务的自动化效率。

研究者推出MedBench v5临床多模态模型基准测试，从静态问答转向动态过程评估，首次整合幻觉传播监测与可控压力测试，揭示模型任务表现与过程稳定性之间的关键差异。

Gopuff与SpaceXAI合作推出个人购物助手Go，宣称能理解用户需求并在几分钟内完成配送，背后由Grok文本、音频和图像多模态模型提供支持。

Together AI 在发布首日即上线 NVIDIA Nemotron 3 Nano Omni 模型，这是一个面向大规模智能体工作负载设计的统一开源模型，可跨视频、图像、音频和文本进行推理。

阿里云通义千问团队正式推出新一代视觉语言模型Qwen2.5-VL，在视觉理解能力上实现显著突破，提供3B、7B、72B三种规格的开源版本。

阿里云通义千问团队在Qwen2.5-VL系列基础上，通过强化学习优化并开源了32B参数的视觉语言模型Qwen2.5-VL-32B-Instruct。

通义千问推出新一代旗舰多模态模型Qwen2.5-Omni，实现文本、图像、音频、视频的端到端处理，并支持实时流式响应与语音合成。

通义千问团队发布20B参数规模的Qwen-Image图像基础模型，在复杂文本渲染与精细图像编辑方面实现突破。

基于200亿参数Qwen-Image模型开发的Qwen-Image-Edit正式发布，该模型将文本渲染能力扩展至图像编辑领域，实现语义与外观的双重控制。

Mistral AI 正式发布 Mistral OCR 3，该模型在文档图像的文字识别准确率与多语言支持方面均有显著提升。