InternLM 发布 ARC-VL：视觉思考、文本推理的视觉语言协同方案
上海人工智能实验室 InternLM 团队开源 ARC-VL，为 CVPR 2026 论文《Think Visually, Reason Textually: Vision-Language Synergy in ARC》的官方实现。该方法在 ARC 任务中让视觉与语言协同工作，以视觉方式进行思考、以文本方式进行推理。
#多模态
#多模态
今日 20 条上海人工智能实验室 InternLM：原创项目AI 评分3333
上海人工智能实验室 InternLM：原创项目AI 评分3737 InternLM 发布 Spatial-SSRL：用自监督强化学习增强空间理解
上海人工智能实验室 InternLM 团队发布 Spatial-SSRL，通过自监督强化学习提升模型的空间理解能力，相关论文已被 CVPR 2026 收录。该项目为官方开源发布。
FireRedTeam：原创语音与多模态项目AI 评分3030 FireRedTeam 提出 IVC-Prune：利用 LVLM 隐式视觉坐标剪枝视觉 token
FireRedTeam 提出 IVC-Prune，通过揭示 LVLM 中的隐式视觉坐标来剪枝视觉 token。该方法针对大视觉语言模型（LVLM）中视觉 token 冗余问题，利用模型内部隐含的坐标信息判断 token 重要性。
OpenAI Developers（RSS）AI 评分4040 如何用 OpenAI Codex 构建漂亮的前端界面
OpenAI 发布演示视频，展示如何用 Codex 的多模态能力设计、迭代并构建应用前端界面。Channing Conger 和 Romain Huet 演示了将 Codex cloud 作为前端设计伙伴，从手机创建 Codex 任务、草图构思新功能到多模态功能的不同用法。
美团 LongCat：HuggingFace 新模型AI 评分6060 美团 LongCat 发布开源全模态模型 LongCat-Flash-Omni（560B 参数、FP8）
美团 LongCat 团队开源全模态模型 LongCat-Flash-Omni，共 560B 参数、激活 27B，主打实时音视频交互，权重采用 MIT License 发布。
美团 LongCat：HuggingFace 新模型AI 评分6565 美团 LongCat 开源全模态模型 LongCat-Flash-Omni，560B 参数激活 27B
美团 LongCat 团队开源全模态模型 LongCat-Flash-Omni，总参数 560B、激活 27B，基于 Shortcut-connected MoE 架构，支持实时音视频交互与最长 128K token 上下文。
OpenAI Developers（RSS）AI 评分2323 Sora、ImageGen 与 Codex：创意生产的下一波浪潮
Sora、ImageGen 与 Codex 被放在同一条多模态流水线中，串联视频、图像与代码生成工具，指向创意生产工作流。内容聚焦这些工具之间的衔接方式，而非单一模型的独立能力。
DeepSeek：GitHub 新仓库AI 评分6161 DeepSeek 开源 DeepSeek-OCR 仓库，探索上下文光学压缩
DeepSeek 在 GitHub 开源 DeepSeek-OCR 仓库（https://github.com/deepseek-ai/DeepSeek-OCR），核心思路为 Contexts Optical Compression（上下文光学压缩）。
OpenBMB（清华 NLP）：GitHub 新仓库AI 评分2525 OpenBMB 发布 DeepThinkVLA：增强视觉-语言-动作模型的推理能力
OpenBMB（清华 NLP）发布 DeepThinkVLA，用于增强视觉-语言-动作（VLA）模型的推理能力。该仓库已在 GitHub 上线，具体模型规模、benchmark 分数与可用方式尚未在现有信息中披露。
OpenBMB（清华 NLP）：GitHub 新仓库AI 评分2525 OpenBMB 发布 SciCore-Omics：首个连接组织学图像、空间转录组与生物语言的三模态基础模型
OpenBMB 发布 SciCore-Omics，称其为首个连接组织学图像、空间转录组学和生物语言的三模态基础模型。该模型将三类生物医学数据模态统一到同一基础模型中。
上海人工智能实验室 InternLM：原创项目AI 评分2727 InternLM 发布 StarBench：探测音频 4D 智能的深度时空推理
上海人工智能实验室 InternLM 项目发布 StarBench，用于探测音频 4D 智能中的深度时空推理能力，相关论文已被 ICLR 2026 接收。该工作以官方实现形式开源，聚焦音频场景下的时空推理评测。
上海人工智能实验室 InternLM：原创项目AI 评分3030 InternLM 发布 CapRL：用强化学习激发密集图像描述能力
上海人工智能实验室 InternLM 团队开源 CapRL 官方实现，通过强化学习提升模型的密集图像描述能力，论文已被 ICLR 2026 接收。
通义 QwenAudio：原创语音项目精选AI 评分6868 阿里云 Qwen 团队发布全模态模型 Qwen3-Omni
阿里云 Qwen 团队发布端到端全模态大语言模型 Qwen3-Omni，可理解文本、音频、图像和视频，并能实时生成语音。项目链接：https://github.com/QwenLM/Qwen3-Omni
推荐理由：作者以官方身份说明 Qwen3-Omni 的模态覆盖和实时语音生成能力，可帮助读者判断其适用场景。
Mistral AI：News（网页）AI 评分4444 Mistral 如何通过微调 Pixtral-12B 提升卫星图像视觉语言模型表现
Mistral 用 LoRA 微调 Pixtral-12B 处理卫星图像，在 Aerial Image Dataset（AID）上显著优于未微调基线。基线模型在 Playground、Stadium 等易混类别上出错，还会幻觉出不存在的类别名；微调后分类更准确。整个流程通过 Mistral 微调 API 或 LaPlateforme UI 完成，无需大量超参数调优。
上海人工智能实验室 InternLM：原创项目AI 评分4646 InternLM 发布科学多模态基础模型 Intern-S1
上海人工智能实验室 InternLM 团队发布科学多模态基础模型 Intern-S1，定位为面向科学领域的多模态基础模型。原文未披露参数规模、benchmark 分数及开放方式等具体细节。
Mistral AI：News（网页）AI 评分5757 Mistral AI 为 Le Chat 推出 Deep Research、语音模式和 Projects 等新功能
Mistral AI 为 Le Chat 推出一批新功能：Deep Research 预览模式可生成带引用的结构化研究报告；语音模式由新语音输入模型 Voxtral 驱动。
Mistral AI：News（网页）精选AI 评分7171 Mistral AI 发布首个推理模型 Magistral，含开源 24B 版本
Mistral AI 发布首个推理模型 Magistral，分为 Magistral Small（24B 参数，Apache 2.0 开源）和 Magistral Medium（企业版）两个版本。
推荐理由：官方发布同时给出开源小模型和 AIME 等基准分数，读者可以据此比较两个版本的能力与部署选择。
Answer.AI 官方研发博客（RSS）AI 评分4646 Answer.AI 发布 ReadBench：评测视觉语言模型的文本读取能力
Answer.AI 推出 ReadBench 基准，将 MMLU-Redux、MMLU-Pro、GPQA-Diamond、BABILong 和 LongBench 等文本基准的上下文转为图像、问题保留为文本，评测 VLM 从图像中读取和推理文本的能力。
小米 MiMo：GitHub 新仓库（模型发布）AI 评分2626 小米 MiMo 发布 lmms-eval：一键评估加速 LMM 开发
小米 MiMo 推出 lmms-eval，一个面向大型多模态模型（LMM）的一键式评估模块，用于加速 LMM 开发。该工具以评估模块形式提供，具体支持的模型、基准与使用方式未在原文中说明。
Mistral AI：News（网页）精选AI 评分6565 Mistral AI 发布 Mistral Medium 3，主打低成本与企业可部署性
Mistral AI 发布 Mistral Medium 3，定位为以约八倍更低的成本提供 SOTA 性能的新级别模型。
推荐理由：原文给出基准对比、定价和部署方式，读者可以据此评估它在企业场景里的性价比定位。
Mistral AI：News（网页）精选AI 评分6161 Mistral 发布 Mistral Small 3.1：24B 多模态开源模型，支持 128k 上下文
Mistral AI 发布 Mistral Small 3.1，改进文本性能、新增多模态理解，上下文窗口扩展至 128k tokens，推理速度达每秒 150 tokens，并以 Apache 2.0 许可开源。
推荐理由：官方给出基准对比与部署门槛，读者可以据此评估它在小参数量开源模型中的实际位置。
Mistral AI：News（网页）精选AI 评分6868 Mistral 发布 OCR API mistral-ocr-latest，主打复杂文档理解
Mistral 发布光学字符识别 API Mistral OCR（mistral-ocr-latest），可将图像和 PDF 提取为交错的文本与图像，定价 1000 页 / 美元，批量推理约翻倍。
推荐理由：官方给出完整基准对比、定价和多语言成绩，读者可以据此判断它在文档理解场景中的实际位置。
Sam Altman：Blog（RSS）精选AI 评分8787 Sam Altman 谈 GPT-4o 发布：免费提供最强模型并强调新语音模式体验
Sam Altman 发文点评 OpenAI 当日发布的 GPT-4o，强调两点：一是把世界最强模型免费开放给 ChatGPT 用户，无广告，未来靠其他付费项目支撑，希望让数十亿人用上优秀 AI 服务；二是新语音（和视频）模式是他用过最好的计算机界面，达到接近人类水平的响应时间和表达力，感觉像电影里的 AI。他提到未来将加入可选的个性化、访问用户信息和代为执行操作等能力。
推荐理由：作者作为当事方说明 GPT-4o 免费开放的初衷和新语音模式的使用感受，读者可了解 OpenAI 对这两点的官方表态。
Lilian Weng：Lil'Log（RSS）AI 评分5252 Lilian Weng 长文综述扩散模型在视频生成中的应用
Lilian Weng 在 Lil'Log 发布长文，系统梳理扩散模型用于视频生成的方法。文章先讲从零训练的参数化、采样与 3D U-Net、DiT 架构（如 VDM、Imagen Video、Sora），再讲如何改造预训练图像模型生成视频（Make-A-Video、Video LDM、SVD、Lumiere），最后介绍 Text2Video-Zero、ControlVideo 等免训练适配方法。
Lilian Weng：Lil'Log（RSS）精选AI 评分6464 Lilian Weng 综述广义视觉语言模型（VLM）的四类实现路径
Lilian Weng 在 Lil'Log 发表长文综述视觉语言模型，把让预训练语言模型消费视觉信号的方法分为四类：图像与文本联合训练、学习图像嵌入作为冻结语言模型前缀、用交叉注意力融合视觉信息、以及不做任何训练地拼接模型。
推荐理由：原文系统梳理了让预训练语言模型处理视觉信号的四类方法，覆盖 VisualBERT、Flamingo、CoCa 等代表工作及其训练设计与数据集。
Lilian Weng：Lil'Log（RSS）AI 评分5858 Lilian Weng 长文解读自监督表征学习
Lilian Weng 在 Lil'Log 发表关于自监督表征学习的综述，核心思想是利用数据自带的信息构造 pretext task，从而在无标注数据上以监督方式训练，目标是学到可迁移到下游任务的中间表征而非任务本身的准确率。
Lilian Weng：Lil'Log（RSS）AI 评分5353 Lilian Weng 长文详解从 Autoencoder 到 Beta-VAE 的变分自编码器原理
Lilian Weng 在 Lil'Log 发布教程文章，系统讲解自编码器家族及变分推断原理。文章覆盖 Denoising、Sparse、k-Sparse、Contractive 自编码器，推导 VAE 的 ELBO 损失与重参数化技巧，并介绍 Beta-VAE 解耦表示、VQ-VAE 与 VQ-VAE-2 的离散潜变量方法以及处理序列数据的 TD-VAE。