商汤科技发布SenseNova-U1.5-8B-MoT统一多模态模型，支持图像生成、编辑与理解，提升4K画质和文字渲染。HyperAI官网更新数据集、教程及百科词条，涵盖语音、地震数据及多模态模型部署，并预告9月截稿顶会。

DeepSeek发布首个多模态实验模型V4-Flash-Vision-Exp，新增视觉理解能力，可处理图像图表等复杂任务，性能提升至36.5，多模态评测表现优异。HyperAI已上线部署教程，支持一键运行。

智谱发布并开源GLM-5.3-Flash多模态模型，性能超GLM-5.2，与Claude Opus 4.8持平。商汤大装置提供国产算力支持，通过异构混推技术提升服务性能3倍，成本与英伟达GPU相当，推动国产算力规模化商用，日均Token服务量达2.42万亿。

DeepSeek推出多模态模型DeepSeek-V4-Flash-Vision-Exp，图片最多占384个Token，通过三级压缩技术大幅降低成本。模型侧重OCR和图像描述，非人脸识别，故认错人属设计初衷问题。API成本可预测，推理快，多模态能力接近Opus-4.8，体现低价高效理念。

2026年8月21日，DeepSeek下架免费模型并上线视觉模型API，同日OpenRouter出现匿名模型Ox Alpha，免费且支持多模态。网友测试发现其Tokenizer与智谱GLM完全一致，推测为智谱未发布的多模态模型，但小米因历史匿名测试套路也被怀疑。Ox Alpha免费一周疑为压力测试，身份成谜。

DeepSeek发布V4-Flash-Vision-Exp多模态模型，视觉能力免费，定价与纯文本版一致，单图最高384 token，价格远低于GPT-4o。性能接近Opus-4.8，但细节识别有限，支持600张图批量处理，受分辨率限制。模型为实验性质，不建议生产使用，旨在收集真实数据优化。

DeepSeek推出多模态模型deepseek-v4-flash-vision-exp，新增视觉理解能力，支持图片输入，提升多模态Agent任务表现。模型延续V4-Flash文本能力，定价按token计费，图片最高换算384 tokens。同步推出Files API，支持文件复用，降低开发者调用门槛，推动Agent从文本处理走向复杂任务执行。

Mux 团队分享了 stream.new 应用内容审核系统的三次迭代历程。从 2021 年使用 Google 和 Hive 视觉 API 检测帧，到 2025 年采用 @mux/ai 工具包，利用多模态模型通过自然语言问题识别盗版等内容，再到 2026 年迁移至 Mux Robots 原生服务，简化了代码并提升了审核能力。每次升级都减少了定制代码，使审核更高效、准确。

IDC报告显示，2025年中国AI视频云市场近10亿元，智能媒体生产与处理赛道增速达427%，音视频AI实时互动增长223%。AI正重构内容供给体系，多模态模型成核心引擎，竞争转向工业化能力比拼，未来将进入Agent-Native时代。

阿里巴巴发布Qwen3.8-Max，2.4万亿参数多模态模型，支持百万token上下文，采用稀疏专家和混合注意力架构，并承诺下周开源权重。专家质疑其自评基准可信度，强调需外部验证和稳健测试框架。模型在自主编码和长任务执行上表现突出，但成本、安全及实际采用率仍是关键考量。

杭州联汇科技完成数亿元融资，由前海母基金领投，杭州政府基金参投。公司开源VLX-Seek 1.5多模态模型，性能超越英伟达同级产品，无人机场景准确率提升62.9%。资金将用于技术迭代和物理AI商业化，已落地AIPC、具身智能及视障辅助应用。

阿里巴巴发布Qwen3.8-Max多模态模型，拥有2.4万亿参数，采用稀疏混合专家架构，每次激活约950亿参数。该模型面向复杂任务，可自主运行数天，如构建应用、复现研究等。定价为每百万输入令牌2美元，输出6美元。权重将开源，但自托管需大量GPU资源，适合大型机构。性能接近Anthropic和OpenAI模型，但独立验证尚待进行。

商汤开源轻量级多模态模型SenseNova U1.5-Lite-Preview，支持4K直出、指哪改哪的图像编辑。该模型能理解复杂信息图、复刻设计框架、局部修改文字或氛围，并融合多张参考图。基于NEO-Unify架构，在8B-MoT参数下实现视觉理解、生成与编辑统一，评测成绩较上代提升，但仍是早期预览版。

该研究提出Beacon框架，通过MA-TE双维度和强化学习训练，解决多模态模型视觉推理中工具滥用问题。实验显示，Beacon显著降低工具调用频率，保持推理准确性，并验证了模式切换与工具效果的正相关性及模型泛化能力。

Black Forest Labs发布FLUX 3多模态模型，统一学习图像、视频和音频，基于Self-Flow方法。视频生成最长20秒含原生音频，在偏好测试中优于多数竞品，但训练计算超95%用于视频。访问受限，优先开放视频和动作内容。

Vivix发布实时交互多模态模型A1，支持用户与虚拟角色实时视频通话，角色能行动、互动并持续响应。配套W1模型可改变剧情走向。A1通过MJD蒸馏、原生NVFP4和VMI基础设施，实现近30B参数在消费级GPU上实时推理，延迟低于0.6秒，单卡吞吐超10000 video tokens/s，已开放内测。

FLUX 3 是黑森林实验室推出的多模态模型，支持多模态输入输出，未公布LLM底座，推测为Qwen系列。目前独此一家，其他如GPT、Gemini均为agent实现。

Om AI发布全球首个端侧流式多模态模型VLX，旨在实现持续感知、精准定位和行动决策。VLX包含三款模型：Flow负责实时感知，Seek进行精确定位，Go实现行动。该系统专为物理世界设计，能够在手机、无人机等设备上高效运行，满足实时响应需求。