Meta推出闭源人工智能模型Muse Spark 1.1，主要用于智能体和多模态任务。尽管编码能力不突出，但在智能体工作中表现良好。该模型支持跨应用工作流，优化任务处理。调用价格为每百万输入1.25美元，输出4.25美元，目前仅面向美国开发者开放。
本报告评估了通用AI的能力与风险，指出AI能力迅速提升但不稳定，存在恶意使用、功能异常和系统性风险。技术和制度挑战使风险管理复杂，需多层防护。AI在多模态任务中表现出色，但在长期任务和现实世界交互中仍面临挑战。未来发展依赖算力、算法和数据的提升，专家对2030年前AI能力的预测存在分歧。
GLM-5V-Turbo是一款新推出的视觉编程模型，能够根据草图生成前端代码并解读复杂图表。它在多模态任务中表现出色，支持网页浏览和报告生成，适合产品经理和学生使用。该模型通过多项技术升级，增强了视觉理解和任务协同能力。
美团发布了LongCat-Flash-Omni模型，参数达到5600亿，支持低延迟音视频交互，表现优异，解决了推理延迟问题，适用于多种应用场景。
小米发布了MiMo-VL-7B视觉语言模型技术报告，展示其在多模态任务中的优异表现，尤其是在复杂推理和GUI交互方面。该模型采用三模块架构，经过四阶段预训练，并结合混合强化学习，显著提升了推理深度和用户体验。开源生态包括完整权重和评测框架，为开源社区树立了新标杆。
OpenAI推出了GPT-4.1，性能显著提升，支持处理100万个token，适用于代码生成、长文档分析和多模态任务。该模型家族包括GPT-4.1、mini和nano，以满足不同需求。
本研究提出PAVE框架，旨在提升视频大语言模型在新任务适应中的表现。通过轻量级适配器“补丁”，PAVE有效调整预训练模型以应对多模态任务，实验结果显示其在音视频问答和3D推理等任务上显著提升性能，且计算成本极低。
Qwen2.5-VL-32B模型在社区中获得积极反馈，具备更符合人类偏好的回复、提升的数学推理能力和图像理解能力，尤其在多模态任务中表现优越。未来将专注于复杂推理任务的研究。
本研究提出了一种新方法——携带视觉条件（TVC），旨在解决多模态任务中视觉信息关注度下降的问题。TVC策略优化了推理过程中的视觉输入使用，提升了多模态推理系统的表现，平均性能提高了3.4%。
基础模型具备强大的认知计算能力，适合云端部署；专用模型则轻量化，适合资源有限的终端。目前云中心学习在实时性和个性化方面存在不足，研究者关注两者的协作。ICMR 2025研讨会将探讨基础与专用模型的协同演进，促进多模态任务理解，汇聚各领域专家推动研究与开发。
本研究提出了一种模块化视觉对比解码（MVCD）框架，旨在提升大型语言模型（LLMs）在多模态任务中的表现。MVCD通过利用LLMs的上下文学习能力，有效提高了视觉感知能力和模型准确性，展现出重要的应用潜力。
本研究提出了一种新方法，缩小了无编码视觉语言模型与编码模型之间的性能差距。通过分解和分层关联视觉与语言，EVEv2.0在数据效率和视觉推理能力上表现优越，展现了无编码架构在多模态任务中的潜力。
谷歌推出了实验性AI推理模型Gemini 2.0 Flash Thinking Experimental，旨在处理编程、数学和物理等多模态任务。该模型通过分解提示和分析上下文生成响应，但推理能力有时不一致。它支持最多32,000个标记的输入，输出限制为8,000个标记，响应时间较慢。尽管存在局限性，该模型标志着谷歌在推理AI领域的探索。
MiniMax推出了新模型MiniMax-01，支持400万token的超长上下文，性能接近DeepSeek-v3和GPT-4o。该模型采用Lightning Attention架构，显著提升处理效率。在多个基准测试中，MiniMax-Text-01在长上下文理解方面表现突出，而MiniMax-VL-01则专注于多模态任务，展现强大处理能力。该模型已在Hailuo AI上免费试用。
AI 社区讨论 Scaling Law 遇到瓶颈，因高质量数据即将耗尽。CMU 和 DeepMind 提出的 ICAL 方法利用低质量数据和反馈，帮助 LLM 和 VLM 创建有效提示，改善决策。ICAL 强调认知抽象，提升模型在新任务中的表现，实验表明其在多模态任务中优于传统方法，减少对专家示例的依赖。
LlamaFusion是一种新方法，通过扩散模型将语言模型与图像生成结合，能够在不大量重训练的情况下适应现有语言模型，提升多模态任务的性能。
本研究提出FedPIA框架，旨在医疗等隐私环境中有效微调大型视觉-语言模型。通过适配器的置换和整合，优化联邦学习与参数高效微调的结合，显著提升模型在多模态任务中的表现，超越现有基准方法。
AIxiv专栏促进学术交流，Florence-VL模型利用生成式视觉编码器Florence-2，克服传统视觉编码器的局限，提供多层次视觉特征，提升多模态任务的表现。
谷歌DeepMind推出Gemini 2.0，处理速度是Gemini 1.5 Pro的两倍，支持复杂的多模态任务。该模型基于JAX/XLA框架，具备深度研究等新功能，适用于项目Astra和Mariner。Gemini 2.0强调安全性，集成隐私保护机制，社区反馈积极。
本研究提出了一种可变视觉位置编码(V2PE)方法，旨在提升视觉-语言模型处理长上下文的能力，特别适用于视频和高分辨率图像等任务。实验结果表明，该方法在多模态任务中表现优异，具有广泛的应用潜力。
完成下面两步后，将自动完成登录并继续当前操作。
