開源多模態決策模型 Decision 3.0：架構規格、推論延遲與應用場景解析
vLLM Semantic Router 團隊推出開源多模態決策模型家族 Decision 3.0，涵蓋 0.6B 至 27B 共六種參數規格。本文整理其以機率分佈為核心的分類架構、對文字、圖片與影片的判讀能力，以及在基準測試和推論延遲上的官方實測數據。
1210 月
主題選讀
#影片
關於 影片 的最新消息、技術解析與應用觀察。
主題文章
由新到舊，第 1 / 5 頁Cloudflare 推出多模態決策模型 Clef-omni：支援音訊與影像輸入，同步調降 Clef-flash 費用與提升推論速度
Cloudflare 發表支援音訊、影片、圖片與文字輸入的多模態決策模型 Clef-omni，以 Qwen3-Omni 為基礎架構，省略自由文字生成步驟，直接對指定題目計算選項機率。同時，官方宣布將託管版 Clef-flash 的輸入費用調降至每百萬 Token 0.038 美元， …
騰訊開源 5B 全模態解析模型 Youtu-Parsing-Omni：統一架構處理文件、圖表、音訊與影片
騰訊優圖實驗室發布 50 億參數規模的全模態結構化解析模型 Youtu-Parsing-Omni，主打單一編碼器與統一 OmniSchema JSON 輸出格式。
歸藏 Product Video Skill：以程式碼製作軟體更新宣傳片
歸藏 Product Video Skill 協助 AI 程式開發工具讀取產品程式碼與更新內容，使用真實元件、分鏡、配樂和動態效果製作可繼續修改的宣傳影片工程。
Lightricks LTX-Video：開源高效能 AI 影片生成模型，打造即時動態影像新體驗
深入了解 Lightricks 推出的 LTX-Video，這是一款基於 DiT 架構的開源 AI 影片生成模型。不僅能產出高品質影片，更支援即時生成，提供豐富的開發者資源與 ComfyUI 工作流，是影像創作者不可錯過的強大工具。
Mage-VL：微軟推出高效能 codec-native 串流多模態模型，影音處理速度提升 3.5 倍
微軟發布 Mage-VL，這是一款專為影音理解打造的 codec-native 串流多模態模型。透過創新的編碼器設計，在 4B 參數規模下實現高達 3.5 倍的推論加速，並在多項影音基準測試中展現超越同級模型的強大效能。
MiniMax H3 全能多模態生成模型：震撼推出，影音生成與 2K 解析度新巔峰
MiniMax H3 是一款強大的全能多模態生成模型，整合文字、圖像、影音及音訊理解，具備高達 2K 解析度的影音生成能力，並支援複雜指令跟隨，為廣告、電商與內容創作提供極具性價比的解決方案。
Sand.ai 發布 MAGI-2 預覽版：高效能生成式 AI 影片模型登場
Sand.ai 釋出全新 MAGI-2 預覽版模型，專注於提供高品質的影片生成解決方案，並透過開源技術推動 AI 產業的進步，讓更多開發者能應用這項技術。
Wan-Animate-2 開源角色動畫模型：14B 高保真動態生成與視角控制實測
Wan-Animate-2 是一款強大的角色動畫框架，採用 Diffusion Transformer 架構，具備高保真動作生成、身份保持與文字驅動的視角控制功能，並提供高效的 Lite 版本滿足即時串流需求。
LTX-2.5 AI 模型發布：強大的開源影片生成基礎，支援多鏡頭與自架部署
LTX-2.5 是最新的開源影片生成基礎模型，主打原生多鏡頭場景生成、精準提示詞遵循及 4K HDR 畫質。這款模型允許開發者自架部署與微調，提供媲美電影級的生成品質與極高的創作靈活性。