多模态推理采用EPD拆分，将视觉编码、预填充、解码分队列调度，以缓解图片请求阻塞文字请求的队头阻塞。NVIDIA测试显示，图片密集负载下首字延迟最高快5倍，但长输出或轻媒体收益小甚至倒退。该方案适合多图、短答、混合流量场景；单图、长输出、低并发不宜拆分。

ECCV 2026在瑞典举行，中国钛动科技牵头举办MARS2 Workshop，聚焦智能体商业与多模态推理。其挑战赛设三条赛道，吸引64支团队，字节系The Boys夺两冠。结果显示AI看懂广告易，但跨片段推理与营销意图理解仍难。钛动还推出钛极大模型与Navos平台，AI营销收入占比达89.5%。

Meta推出的Muse Spark 1.1现已在AI Gateway上可用。这是一种多模态推理模型，支持文本、图像、视频、PDF和音频输入，适用于代理任务。该模型能够并行调用工具，提供结构化输出和内置搜索功能。用户可通过AI SDK使用Muse Spark 1.1，并在AI Gateway上跟踪模型使用情况和成本。

本周Python的热门话题包括PyPI供应链漏洞、浏览器中的完整Python GUI应用开发以及分发Python应用的简单方法。值得关注的项目有用于构建全栈系统的“foundry”和一种高精度低位LLM推理算法“auto-round”。文章还讨论了行为导向的并发、快速网格布尔运算和提升多模态推理性能的方法。

Modular发布了Gemma 4，展示了AI编码代理在复杂系统工程任务中的能力。五个前沿模型成功重建了Wan 2.1文本到视频推理管道，证明了MAX图形API的有效性，并展示了调试和工程纪律的重要性，能够在新框架中构建完整的多模态推理系统。

文心大模型5.0正式上线，参数达到2.4万亿，提升了智能体与工具调用能力。PaddleOCR-VL-1.5发布，解决了曲面文档解析问题，并新增67个数据集，支持多模态推理与视频理解。社区活动包括文心Moment大会与AICA架构师培养计划，促进AI技术应用与开发者交流。

谷歌推出了Gemini 3 Flash，这是一款更小更快的模型，性能接近Gemini 3 Pro，尤其在多模态推理和编码方面表现优异，API使用成本相对较低。尽管成本上升，但效率和速度显著提升，适合开发者和消费者。

谷歌推出Nano Banana Pro，结合图像生成与Gemini多模态推理，能够将结构化内容转化为图表和信息图，提升语言理解与图像合成的结合。用户反馈积极，支持多语言文本渲染，适用于包装和UI预览等场景。该模型可合并多张参考图像，保持一致性并输出高分辨率图像，标志着基于推理的图像生成成为新标准。

谷歌推出了Gemini 3 Pro，这是其基础模型系列的最新版本，支持多种产品，表现出色，尤其在多模态推理任务和编码方面优于前一版本。此外，谷歌还将推出Gemini 3 Deep Think，以进一步提升性能。

Gemini 3 Pro模型已通过Vercel AI Gateway发布，专注于编码和多模态推理。测试显示其指令遵循和响应一致性显著提升，正确率比前代提高17%。该模型在前端生成和多轮交互中表现优异，适合开发者使用。

计算机视觉国际大会（ICCV）是顶级会议之一，专注于视频理解和多模态推理，涵盖时间表示、实时对话生成和视觉大语言模型等研究，推动了计算机视觉领域的发展。

OpenAI在比赛中表现不佳，AI能迅速解决复杂问题，而人类队伍则需多次尝试。Gemini开源代码，OpenAI未公开，可能因代码不优雅或出于战略考虑。Anthropic未参赛，因多模态推理要求高。美国大学未获金牌引发思考。