DeepSeek V4.1 Flash 已上线 AI Gateway，支持原生图像理解，可在同一请求中处理文本和图片，用于解读截图、图表等。模型上下文窗口达100万token，最多输出38.4万token，支持推理、工具调用和提示缓存。新架构分离输入与输出组件，降低各阶段计算量。AI Gateway 提供统一API，无加价和平台费。

Zyphra发布了Zamba2-VL系列开放视觉语言模型，包含12亿、27亿和70亿参数。该模型采用混合SSM-Transformer架构，支持图像与文本的理解与关联，推理速度快，适用于文档提取和库存盘点等场景。尽管在知识推理方面表现不如大型模型，但在视觉计数和文档理解上具有优势。模型权重和推理代码已公开。

Lance是字节跳动于2026年发布的多模态模型，具备图像与视频的理解、生成和编辑能力。该模型采用双流混合专家架构，提升了文本、图像和视频任务的生成质量和语义理解能力。

京东开源的多模态基础模型JoyAI-Image-Edit支持文生图、图像理解和指令引导的图像编辑，具备像素级精细化编辑和真实立体感，解决了理解与生成之间的空间断层。该模型在生成与理解的深度融合、空间编辑的突破和多场景高性能表现方面具有技术优势，广泛应用于电商、具身智能和3D重建等领域。

Luma AI推出的Uni-1模型在图像理解与生成方面表现优异，超越谷歌的Nano Banana Pro和GPT Image 1.5。该模型由不到15人的华人团队开发，具备角色姿态迁移和草稿转漫画等功能，展现出强大的竞争力，预示着视觉AI的未来发展方向。

苹果在最新技术报告中介绍了iOS 26的新智能基础模型，包括一个3B参数的高效模型和一个大型服务器模型。3B模型在设备上运行，强调低延迟和资源节省；大型模型则注重高准确性和可扩展性。苹果还强调负责任的人工智能原则，确保安全性和有效性。

谷歌推出了MedGemma，包含两个开源生成AI模型，分别为多模态的MedGemma 4B和专注于医疗文本的27B。它们可用于放射报告生成和临床总结等任务，但谷歌强调需进一步验证，不能直接用于临床。

Perception-LM-8B是Meta FAIR团队开发的多模态模型，具备深度理解图像和视频的能力。它结合了轻量级语言解码器和高效视觉编码器，支持视觉问答和视频推理等任务，使用开放数据训练，确保透明性。该模型在图像和视频理解方面表现优异，适合研究和应用。

Eagle 2.5 是 NVIDIA 推出的视觉语言模型，专为处理长上下文的多模态数据而设计。它通过信息优先采样和渐进式后训练策略，显著提升了视频和图像理解任务的性能，尤其在高分辨率输入下表现突出。该模型强调上下文完整性和数据集多样性，是多模态理解的重要工具。