Moonshot AI推出的Kimi K3是一款开源模型，首次亮相即在Arena前端编码排行榜上名列前茅，超越了OpenAI和Anthropic的模型。K3具有2.8万亿参数和多模态支持，强调性能，开发者期待在本地运行K3，以灵活选择不同模型进行编码工作。K3的发布可能促使AI编码平台更加重视开源模型。

ABot-AgentOS是一种通用机器人智能体操作系统，旨在解决具身智能中的推理与执行、泛化和持久记忆等挑战。该系统结合多模态感知、记忆和推理，支持机器人在物理世界中的长期交互。通过边缘-云协同架构，ABot-AgentOS能够高效执行任务并优化技能，其多模态记忆系统确保机器人持续学习和利用经验，提升智能体整体能力。

OpenAI前CTO推出的开源模型Inkling，拥有9750亿参数，支持多模态输入，具备强大的微调能力，能够高效处理文本、音频和图像，并在安全性上表现优异。Inkling的灵活性和低成本使其成为开发者的理想工具，推动开源AI的发展。

Agnes AI推出了新一代文本模型Agnes-2.5-Flash，具备强大的编码能力，且永久免费。与Claude等工具相比，Agnes-2.5-Flash在代码理解、Bug修复和复杂任务执行上表现优异。同时，桌面端Agnes Code也上线，支持多模态内容处理，旨在降低开发者的使用门槛。Agnes AI的使命是让世界级AI普及到每个人，提供高性价比的服务。

随着大模型的发展，OCR技术成为连接视觉数据与智能应用的重要工具。新一代多模态模型整合了文字识别和信息抽取等功能，推动了OCR在科研、金融和医疗等领域的应用。本文介绍了五款开源OCR模型，包括Unlimited-OCR、Chandra-ocr-2、dots.mocr、Qianfan-OCR和FireRed-OCR，适用于文档解析和手写文字处理等场景，帮助开发者选择合适的解决方案。

字节跳动于7月9日发布了多模态图像创作模型Seedream 5.0 Pro，该版本在图文匹配和结构合理性等方面有显著提升，具备复杂信息可视化、交互式精准编辑、真实影像质感和多语种支持等核心能力。Seedream 5.0 Pro已上线火山方舟体验中心，后续将在豆包和即梦平台推出。

openJiuwen发布了Skill-Omni，这是首个多模态Skill范式，旨在提升Agent的任务执行能力。该系统通过提取网页和视频中的视觉信息，生成可复用的多模态Skill，克服了传统文本Skill在视觉任务中的局限性。用户只需提供链接，系统便能自动生成包含关键截图和操作步骤的Skill，帮助Agent更好地理解和执行任务。Skill-Omni标志着从文本到多模态经验的转变，推动了Agent技术的发展。

2026年7月2日，科大讯飞在深圳发布了智能交互生态，AIUI平台升级为多模态交互，支持40余种语言，助力智能硬件出海。同时，机器人超脑平台也完成升级，增强了多模态感知和复杂任务执行能力，推动机器人产业发展。

OceanBase的CTO杨传辉指出，AI时代需要重新定义数据库架构，以支持自主运行的AI代理。传统数据库无法满足AI的实时性和多模态数据管理需求。OceanBase推出的湖库一体AI数据库，融合在线和离线计算，支持多种数据类型和计算引擎，确保数据一致性和实时性，提升企业的AI应用能力。

虎牙推出的VAM 1.0 AI数字人具备实时互动能力，能够与用户聊天、唱歌、跳舞和玩游戏。该技术通过三阶段训练解决了面部漂移和交互问题，实现了高效、稳定的实时表现。虎牙利用直播平台优势，推动AI数字人从概念走向实际应用，未来可能改变内容生态。

小米推出了基于OpenCode的MiMo Code终端工具，并限免MiMo-V2.5模型。用户可以通过MiMo Code提取数据并在其他工具上使用。MiMo Auto提供免费API，支持多模态输入和推理，使用JWT进行身份验证，响应格式兼容OpenAI。

MiniMax M3已在Vercel AI Gateway上线，具备1M-token上下文窗口和多模态功能，专注于软件工程、终端工具使用和多轮协作。用户可通过AI SDK使用M3，支持文本和图像输入，AI Gateway提供统一API，便于模型调用和性能优化。

快手发布了多模态大模型Keye-VL-2.0-30B-A3B，具备深度视频理解能力，采用DSA机制处理超长视频上下文，提升推理效率和准确性。该模型能够精准识别视频细节，提供高情商建议，并在复杂任务中展现强大的逻辑推理能力，标志着快手在多模态理解和自动化调度方面的重大进展，推动内容生产智能化。

谷歌在I/O大会前发布了Gemini Omni，具备生成教学视频和统一多模态功能，用户可通过一个对话框完成写作、图像生成和视频剪辑等任务，标志着AI Agent向全模态智能转型。国内公司Minimax在多模态领域表现突出，预计将迎来快速增长，全模态智能的应用将逐步融入日常生活，提升工作效率。

本文介绍了一种名为BalCapRL的平衡强化学习框架，旨在优化多模态大语言模型的图像描述。该框架通过奖励解耦归一化和长度条件奖励掩蔽，显著提升了描述的实用性、覆盖率和语言质量，克服了现有方法在描述质量上的局限性，多个模型的性能均有显著提高。

小米开源了MiMo-V2.5系列大模型，包括MiMo-V2.5-Pro和MiMo-V2.5，支持复杂任务和多模态处理，采用MIT协议，允许自由商用和微调。同时启动“Orbit百万亿Token计划”，向全球开发者赠送100万亿Token，促进模型应用。首日已适配多种AI芯片，方便开发者使用。

DuMate是百度智能云开发的AI助手，支持多模态理解与生成，能够高效处理复杂任务，如整理报告、生成简报和视频总结。用户可通过IM平台远程指挥，节省时间，适合假期应急办公。新用户输入邀请码可获得积分福利。

最近的零样本测试表明，利用多模态和Transformer大模型可以高效检测工业缺陷，如裂纹和污垢。这项技术实现了零样本检测，显著提高了项目交付速度，适用于多种样品和行业转换。