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。

蚂蚁集团的论文《LLaDA2.0-Uni》提出了一种离散扩散语言模型，旨在统一视觉理解和图像生成。该模型通过将图像压缩为离散语义token，并利用混合专家架构实现文本和视觉token的并行处理，显著提升推理速度。LLaDA2.0-Uni在视觉理解和图像生成任务上表现优异，展现出理解与生成的连续交互能力。

Anthropic发布了新模型Claude Opus 4.7，增强了编程和多模态能力，但用户反馈两极。新模型在处理复杂任务时更严谨，支持高分辨率图像输入。然而，token消耗显著增加，部分功能下降，尤其在文案撰写和长上下文检索方面。用户在法律和金融领域需谨慎使用。

移远通信在上海参加GEIA Asia 2026，展示了其多模态智能机器人平台Q-Robotbox。该平台集成了视觉、听觉和动觉，支持自主移动机器人和智能割草机器人，具备高集成度和低部署门槛。Q-Robotbox依托高性能芯片，实现自然交互，已在多个场景完成算法验证，并正在扩展应用范围。

Meta推出的新模型Muse Spark经过9个月研发，专注于多模态理解和推理，表现优异，推动股价上涨，标志着Meta重回AI前列。尽管在编程和Agent任务上仍有不足，但整体性能显著提升。

Meta推出新AI模型Muse Spark，旨在提升产品智能化，支持多模态输入，处理复杂科学和健康问题。该模型将逐步在WhatsApp、Instagram等平台上线，未来计划开源。

开源社区在48小时内推出Graphify工具，自动生成知识图谱，节省71.5倍token消耗。该工具支持多模态处理，用户只需一条命令即可生成交互式知识图谱，降低使用门槛。

OpenClaw v2026.4.5更新引入视频和音乐生成功能，增强多模态能力，支持多语言界面，优化工作流和审批系统，提升记忆处理和性能稳定性，简化配置管理，推动AI应用可控化发展。

OpenAI计划于4月14日发布GPT-6，该模型性能提升40%，支持多模态处理，具备200万Token的上下文窗口。OpenAI将重心放在GPT-6上，目标是实现AGI。同时，GPT-Image 2也备受关注，展现出更强的生成能力。算力成为AI竞争的关键因素。

美团LongCat提出的DiNA原生多模态架构将图像、语音和文本统一为离散Token，突破了传统模型的局限。该模型通过共享参数和机制，实现了更高效的理解与生成，推动了多模态AI的发展。