多模态AI

研究人员提出MGDT框架，通过MLLM引导的扩散Transformer与关系自适应专家混合机制，显著提升多模态知识图谱补全性能。该框架采用先对齐后扩散的范式，在三个基准数据集上表现优于现有方法。

研究人员提出MAR-12框架，通过12个结构化视角分析表情包中的幽默与有害内容，在检测准确性和解释性上均超越现有方法。

研究人员提出一种布局感知的异构元素感知框架，用于科学文档的跨版本比对，能同时处理文本、表格、公式和图形等多种元素，在真实期刊生产校对数据上表现优异。

研究人员提出Hy-Embodied-RxBrain模型，通过统一的多模态架构实现语言推理与视觉想象的联合规划，为具身认知基础模型研究开辟新路径。

月之暗面正式发布Kimi K3大模型，具备2.8万亿参数、百万上下文窗口及原生多模态能力，并宣布将于2026年7月27日前开源模型权重。

Google Vids 推出 Gemini Omni 与个人数字人两大功能，大幅简化视频制作流程，让用户轻松创作、编辑并成为视频主角。

研究人员提出首个面向实时部署的句子级手语翻译系统，通过优化计算架构将响应延迟降低27%，在Raspberry Pi上实现摄像头捕捉、本地显示与语音输出的完整交互链。

研究人员提出MultAttnAttrib方法，无需额外训练即可为多模态长文档问答系统生成精确证据溯源，同时发布首个专门评估多模态溯源的基准数据集。

研究者发现社交媒体中多图组合可能产生隐性毒性，并提出新数据集与检测模型MiShield，有效识别单图无害但组合有害的内容。

研究发现现有知识型视觉问答基准测试存在系统性缺陷，导致模型能力被高估。团队提出审计修复方案并构建增强数据集，推动更可靠的评估方法。

最新研究揭示，手语识别模型展现出对抽象音系特征的敏感性，其中姿态模型擅长区分手形，像素模型更易捕捉位置变化，但现有训练范式仍受限于架构本身的归纳偏好。

研究者提出NaviGen模型，通过分析用户历史行为自动生成精准的视觉内容创作指令，解决传统AIGC需要用户详细描述视觉细节的痛点。

xAI宣布与即时配送平台Gopuff合作，利用聊天、语音和图像模型构建个性化购物助手，提升用户体验。

xAI 推出 Grok Voice 语音模型，宣称在语音交互的节奏、音色和情感表达上达到类人水平，且价格仅为竞争对手的一小部分。

Hugging Face社区展示了一项创新实践：一个AI智能体通过串联两个Spaces应用，成功构建出交互式3D巴黎虚拟画廊。

阿里云通义千问团队正式发布视觉推理模型QVQ-Max，该模型不仅能理解图像视频内容，还能进行信息分析与推理，在数学、编程、艺术创作等多个领域展现能力。

谷歌DeepMind在年度开发者大会上集中展示了上百项人工智能领域的最新进展，涵盖模型发布、产品更新与技术演示。

谷歌在I/O 2026大会上发布Gemini Omni与Gemini 3.5系列模型，通过九段演示视频直观展现其在跨模态理解、实时交互与复杂任务处理方面的突破性能力。

阿里巴巴发布视频生成模型HappyHorse 1.1版本，在生成质量、分辨率、运动一致性、文本对齐和效率五大维度实现全面升级。