MOSS-VL-Realtime 开源：11B 实时视频理解模型，真正开始边看边回答
MOSS-VL-Realtime 技术介绍与快速开始：OpenMOSS 开源 11B 实时视频理解模型，支持 256K 上下文、时间戳帧输入、边看边答、主动沉默和动态修正，适合连续视频流多模态理解。
MOSS-VL-Realtime OpenMOSS 视频理解
15 min read
12 篇文章
多模态 AI
了解文本、图像与语音多模态模型，比较输入输出能力和部署条件。
多模态能力需要具体到输入和输出类型：能理解图像不等于能够生成图像。选型时同时检查视频采样、音频延迟、上下文限制和推理框架支持。
Gemma 4 发布：Google 这次玩真的，4 种规模全开源，MoE 架构直接拉满
Google 发布 Gemma 4 多模态开放模型，密集+MoE 双架构，支持 25.6 万 token 长上下文，原生推理模式，从手机到服务器全场景覆盖。
Gemma 4 Google 多模态 AI
13 min read
Qwen3.5：9B击败120B，0.8B手机跑视频的全系MoE模型
Qwen3.5 MoE系列（0.8B-397B）采用Gated DeltaNet混合注意力。9B超越120B模型，0.8B可在手机处理视频。百万token上下文，原生多模态，支持201种语言。
Qwen 通义千问 Alibaba MoE 混合专家模型
16 min read
Open-AutoGLM：基于 AutoGLM 的开源手机智能助手框架
Open-AutoGLM 是基于 AutoGLM 构建的手机智能助手框架，支持多模态屏幕理解和自动化操作，用自然语言控制手机完成各种任务。
AutoGLM 手机自动化 多模态 AI
7 min read
GLM-4.6V 开源多模态 AI 模型下载使用教程【免费 106B 参数 | 图像识别 | 文档理解 | 视频分析】
GLM-4.6V 免费开源多模态 AI 大模型完整教程。支持图像识别、OCR文字提取、PDF文档理解、视频分析等功能，128K超长上下文，106B/9B 两个版本可选，支持本地部署和云端调用，包含下载安装、API使用、实战案例等详细说明
GLM-4.6V 多模态 AI AI 模型
17 min read
Qwen3-Omni 全面解析：端到端多模态·实时语音视频·119语言（含技术细节与实操）
Qwen3-Omni 端到端多模态模型，支持文本/图像/音频/视频与实时语音，Thinker–Talker + MoE，多码本降延迟；覆盖 119 种语言，附评测结论、部署建议与 vLLM/Transformers 实操。
Qwen3-Omni 多模态 AI AI 模型
11 min read
Meta Llama 4涉嫌刷榜争议与高管离职风波交织，AI战略面临考验
Meta Llama 4涉嫌刷榜争议与高管离职风波交织，AI战略面临考验
Meta Llama 4 人工智能 大语言模型
7 min read
Qwen2.5-Omni 全能旗舰 VS 国产小钢炮 MiniCPM-V：参数、硬件、资源、优势全解析，谁才是真香之选？
7B参数的通义千问Qwen2.5-Omni与2.8B参数的MiniCPM-V参数本地部署全解析：一个需要云端GPU部署实现全模态交互，一个可在手机端运行实现高效视觉理解。本文详细对比两者在参数规模、硬件需求、部署优化和应用场景上的差异，为AI模型选型提供参考。
Qwen2.5-Omni MiniCPM-V 多模态 AI
8 min read
AI巨头正面交锋：Grok 3图片编辑功能横空出世，谷歌Gemini措手不及？
xAI发布的Grok 3新增图片编辑功能，与谷歌Gemini模型形成直接竞争。Grok 3集成Aurora模型，通过聊天驱动实现图片编辑，在保持人物一致性方面表现出色，而谷歌Gemini同样展示了强大的多模态能力，但尚未完全向公众开放。
Grok 3 Gemini Aurora
7 min read
CogAgent-9B重磅发布:智谱AI与清华联合研发的GUI智能交互模型 | 9B参数实现业界领先性能
CogAgent-9B: 智谱AI与清华大学联合打造的革命性GUI智能体,以9B参数量实现卓越的界面理解与自动化交互能力,在MM-Vet等多项基准测试中大幅领先现有模型
AI 模型 CogAgent 多模态 AI
8 min read
Google Gemini 2.0 Flash 发布：多模态AI模型重大升级
Google 最新发布的 Gemini 2.0 Flash AI模型完整介绍：性能提升2倍、多模态能力、应用场景及未来规划。深入解析其在AI助手、编程开发、数据分析等领域的革新。
人工智能 Gemini AI 模型
4 min read
Ivy-VL重磅发布：3B参数制霸端侧视觉AI，超越Qwen/InternVL等主流模型
Ivy-VL轻量级视觉语言模型重磅发布：3B参数超越7B性能，支持AI眼镜实时部署，OpenCompass榜单4B以下第一，开源免费可商用。AI Safeguard联合CMU斯坦福打造端侧视觉AI新标杆。
AI Safeguard 多模态 AI 视觉语言模型
6 min read