多模态AI

DeepSeek 发布 V4.1-Flash，以新架构和原生多模态视觉理解切入下一阶段，并将推理速度、吞吐能力与后续扩展空间放在同一条技术路线中。

Thinking Machines 发布 9750 亿参数多模态 MoE 模型 Inkling，并开放完整权重和 Blackwell 量化版本。本文说明模型规模、上下文、微调入口、部署生态与评测边界。

Google 同时开放低成本图像模型 Nano Banana 2 Lite 与视频模型 Gemini Omni Flash，面向高频出图和对话式视频编辑场景。

腾讯混元发布HunyuanImage 3.0 Instruct，定位为原生多模态的图片编辑与图像生成模型。公开信息称其基于80B参数的混合专家（MoE）架构，推理时约13B参数被激活，强调在理解输入图片与指令后进行推理，再输出高保真结果，以提升指令对齐与编辑一致性。 功能侧重点包括精确图片编辑与多图融合：可在尽量保持非目标区域不变的前提下，对指定对象进行添加、移除或修改；也可从多张图片抽取人物或元...

2025 年 10 月 16 日，PaddleOCR 公布多模态文档解析模型 PaddleOCR-VL（核心模型 0.9B）。该方案采用 NaViT 风格动态分辨率视觉编码器，结合 ERNIE-4.5-0.3B 轻量语言模型，主打在低算力条件下实现文本、表格、公式、图表与手写体的统一识别与结构化输出。官方称在 OmniDocBench 等公开基准与自建集合上达到或刷新多项指标表现。 模型覆盖 10...

**BAGEL：字节跳动开源的统一多模态推理模型，挑战GPT-4o与Gemini 2.0** **一、BAGEL简介：统一的多模态理解与生成模型** BAGEL（ByteDance Adaptive Generalized Expert Learner）是字节跳动Seed团队在2025年5月开源发布的多模态大模型。该模型以统一的架构支持文本、图像、视频等多模态数据的理解与生成，具备与GPT-4o、...