术语slug: native-multimodality

原生多模态

Native Multimodality

模型在预训练阶段即统一处理文本、图像等多种数据模态

收录情报动态

共 15 篇 · 第 1/2 页
IT之家 · 智能时代T2·基座大模型
78 分
蚂蚁发布 Ling 3.2 Flash 原生多模态模型 三项基准超越 Claude Opus 5

蚂蚁百灵团队发布原生多模态模型 Ling-3.2-flash,采用 560B 总参数、约 25B 激活参数的 MoE 架构,支持 1M 上下文与图像、文本、视频输入。官方自测在 OmniDocBench1.5、ZEROBench、Vision2Web 三项基准上超过 Claude Opus 5,DesignArena 图像转前端榜单以 1238 Elo 进入前十。API 输入每百万词元 0.30 美元、输出 0.90 美元,兼容 OpenAI 与 Anthropic 协议,上线前两周限时免费。

Hacker News AIT2·基座大模型
92 分
Kimi K3.1 Pro 开源发布 2.8T MoE 架构支持百万上下文

月之暗面正式开源 Kimi K3.1 Pro,这是其迄今最强的 3T 级原生多模态智能体模型。该模型采用混合专家(MoE)架构,总参数达 2.8T,激活参数 104B,并支持 100 万 token 的超长上下文窗口。通过大规模联合强化学习后训练,其在编码、3D 生成及金融研究等复杂任务上表现显著提升。

Hacker News AIT2·基座大模型
88 分
DeepMind 发布 Genie 4 实现多模态实时世界模拟

DeepMind 推出新一代世界模型 Genie 4,具备原生多模态能力,能同步生成视觉、音频及交互式对话。该模型整合 Gemini 家族技术,显著提升了实时交互模拟的真实感与连贯性,被视为迈向通用人工智能(AGI)的关键一步。目前用户可通过等待列表申请早期访问权限。

新智元 (微信公众号)T2·基座大模型
85 分
Meta 开源 816B 多模态大模型,双 Mac Studio 可本地运行

Meta正式开源名为Muse Spark Open的8160亿参数多模态大模型,宣称其为美国最强开源权重模型。该模型支持百万Token上下文及原生音视频处理,专为复杂编码与长程推理设计。其最大亮点在于极低的部署门槛,仅需两台苹果Mac Studio即可在本地桌面环境运行,无需云端算力或API调用。

IT之家 · 智能时代T2·基座大模型
92 分
Meta 发布 Muse Spark Open:816B MoE 模型支持百万上下文,双 M5 Ultra 本地运行

Meta 正式开源其宣称“美国最强”的开放权重模型 Muse Spark Open,采用原生多模态架构,总参数 816B(激活 42B),支持 1M token 上下文。该模型专为代码与智能体任务优化,并首次实现仅凭两台苹果 M5 Ultra Mac Studio 即可在桌面端本地运行,已适配主流推理引擎及多家云 API 平台。

Arena.ai (@arena)T1·基座大模型
88 分
Meta 开源 Muse Spark Open:816B MoE 架构支持百万上下文与多模态智能体任务

Meta 发布名为 Muse Spark Open 的开源大模型,宣称是目前最强的美国开源权重模型。该模型采用 816B 总参数/42B 激活参数的混合专家(MoE)架构,支持 100 万 token 上下文窗口及原生多模态能力,专为长程智能体任务和复杂软件工程优化,现已接入 Arena 基准测试平台。

Artificial Analysis (@ArtificialAnlys)T1·基座大模型
58 分
HiDream-O1-Video-1.0 发布:原生全模态视频模型登榜第六,支持动态时长与同步音频

HiDream 推出全新原生全模态视频生成模型 HiDream-O1-Video-1.0,在 Artificial Analysis 图像转视频(含音频)榜单中位列第六。该模型主打物理一致性,能生成 5 至 20 秒的 1080p 视频并原生同步音频,且时长由场景内容动态决定而非固定预设。目前通过 HiHarness API 提供,定价为每分钟 5.80 美元。