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。
138 月
主題選讀
#Vision
關於 Vision 的最新消息、技術解析與應用觀察。
主題文章
由新到舊，第 3 / 4 頁Thinking Machines 推出全新高效能 Inkling-Small 模型：以 276B 參數達成與大模型同級表現
Thinking Machines 發布開源權重模型 Inkling-Small，具備 276B 總參數與 12B 激活參數。這款多模態模型支援音訊與影像推理，並能靈活調整運算耗能，在推理與 Agent 任務上展現出色的效能與成本平衡。
Mistral AI 全新開源 Shieldstral：輕量化 3B 多模態安全分類器，效能超越七倍大模型
Mistral AI 推出 Shieldstral 1.0 3B 多模態安全分類模型。這款輕量級 AI 具備策略適應性，無需重新訓練即可在推論時自訂安全標準，並在文字與影像審核表現上大幅超越同級與更大規模的模型。
Meta 推出 Muse Glimmer：專為個人裝置打造的高效能 30B 開源 AI Agent 模型
Meta 發表最新 300 億參數模型 Muse Glimmer，專為本地裝置與自動化 Agent 工作流優化，具備多模態理解、複雜推理與工具調用能力，並支援高效能規格運行。
Liquid AI 推出輕量級 LFM2.5-VL-3B 模型，打造極致邊緣運算視覺體驗
Liquid AI 發布 LFM2.5-VL-3B 多模態模型，專為邊緣運算設計。這款 3B 參數模型具備卓越的視覺理解、OCR 與工具調用能力，並能在各類硬體上實現低延遲的即時推論，是開發輕量級 AI 應用的理想選擇。
Cohere 推出輕量級視覺模型 North Micro Vision：2.4B 參數量實現原生解析度辨識
Cohere Labs 最新釋出 North Micro Vision，這是一款具備 2.4B 參數量的開源視覺語言模型 (VLM)。主打原生解析度影像處理，能精準辨識文件、圖表與截圖細節，其輕量化設計極適合邊緣運算與在地化部署。
京東開源 JoyAI-VL-Interaction：雙環異步推理如何突破即時影音互動延遲瓶頸
京東 Joy 未來學院正式開源 JoyAI-VL-Interaction，透過創新的雙環異步推理架構，成功解決即時視覺語言模型在影音互動中的延遲瓶頸。本文深入解析其 Real-time Red Loop、Delegate Blue Loop、Silence 機制與非阻塞任務委派，帶你看懂毫 …
GLM-4.6V 登場：視覺感知與執行動作的無縫整合
GLM-4.6V 系列模型正式亮相，帶來 106B 與 9B 兩個版本，分別針對雲端高效能與本地低延遲場景。本文將解析其原生 Function Calling 能力如何打通「看」與「做」的界線，並深入探討其長文檔理解、前端代碼生成以及混合圖文創作的實際應用。同時附上詳細評測數據與部署資源。
ByteDance Vidi2 登場：精準掌控影片理解與生成的多模態模型
ByteDance Vidi2 震撼登場！ 深入了解字節跳動如何透過這款大型多模態模型，實現對長影片的精準理解與生成。Vidi2 不僅能精確定位影片中「穿棕色西裝的男人打鼓」等特定事件，更在基準測試中超越 Gemini 3 Pro 與 GPT-5 (Preview)。探索 Vidi2 核心 …
Apple 罕見出招！開源 AI 模型 FastVLM，但開發者先別高興得太早
Apple 最近在 Hugging Face 平台上悄悄發布了幾個月前發布的的視覺語言模型 FastVLM。這一舉動震驚了整個 AI 社群，畢竟 Apple 一向以其封閉的生態系統聞名。然而，這次的「開源」附帶了嚴格的條件——僅限於學術研究。這究竟是 Apple 擁抱開放文化的一小步，還是 …