Google DeepMind 发布了新款多模态模型 Gemma 4 12B，参数为120亿，但在多项测试中表现接近260亿参数的模型。其无编码器架构显著降低了推理延迟和内存占用，支持音频输入，并可在普通笔记本上运行，降低了部署成本，为开发者提供了接近顶级性能的选择。

谷歌发布了Gemma 4 12B多模态模型，支持文本、图片、视频和音频输入，能够在仅16GB内存的消费级设备上运行。该模型采用无编码器架构，降低延迟并简化输入处理，智能化程度接近Gemma 26B版。开发者可在多个平台体验和下载该模型。

Google DeepMind 发布了 Gemma 4 12B，这是一个无编码器的多模态模型，支持文本、图像、音频和视频处理。该模型在消费级笔记本电脑上运行，性能接近 26B MoE 模型，但内存占用不到一半。它通过直接输入视觉和音频数据，简化了处理流程，提升了整体质量和指令遵循性。

在2026中国AIGC产业峰会上，MiniMax负责人胡维琦指出，AI已从“玩具”转变为企业生产力工具，未来2-3年将与各行业深度融合，改变商业模式。MiniMax专注于多模态模型，致力于提供高效的AI解决方案，推动企业提效和组织变革。

Lance是字节跳动于2026年发布的多模态模型，具备图像与视频的理解、生成和编辑能力。该模型采用双流混合专家架构，提升了文本、图像和视频任务的生成质量和语义理解能力。

PRISM团队的研究表明，监督微调（SFT）并未促进强化学习（RL），反而可能导致模型性能下降。研究提出了SFT、分布对齐和RL的三阶段流程，强调在多模态模型中，SFT引入的分布偏差需要单独处理。通过对抗博弈对齐分布，PRISM显著提升了模型在推理任务上的表现，修复了SFT的副作用。

SenseNova U1 是商汤发布的开源多模态模型，具备连续图文生成能力，能够同时生成文字和图片。该模型在信息图生成方面表现出色，采用 NEO-unify 架构，提升了生成效率和理解能力，适合创作者和开发者使用。SenseNova U1 的开源版本已在 GitHub 和 Hugging Face 上发布。

智能驾驶行业正在快速变革，卓驭科技在北京车展推出原生多模态基础模型，旨在提升移动物理 AI 能力，支持多种载体的智能化。该模型通过预训练理解物理世界，降低不同场景的适配成本，推动智能驾驶从乘用车向商用车和无人配送扩展。卓驭已与多家车企合作，计划在2026年前实现多种车型的量产。

Qwen团队推出了新版本Qwen3.6-27B，这是一个拥有270亿参数的多模态模型，支持视觉和文本理解。该模型在多个编程基准测试中表现优异，超越了前代版本，并在推理任务上取得了高分。HyperAI官网提供了快速部署该模型的教程。

GPT Image 2 的研发团队由 13 名核心成员组成，华人占据重要位置。团队成员背景多样，涵盖深度学习和多模态模型研究，形成紧密的信任网络，促进了创新，强调了人际关系在 AI 领域的重要性。

苹果在ICLR 2026会议上展示了多项机器学习研究，包括高效的递归神经网络训练、状态空间模型工具、统一的多模态模型Manzano，以及蛋白质折叠的新方法SimpleFold。这些研究旨在推动AI和ML领域的进步，并支持相关社区。

本文讨论了如何将PDF文档整理成Markdown格式的知识库，重点在于创建目录和存放原始文档。使用多模态模型Claude进行知识库的设计和整理，确保章节和小节的正确性，并进行抽检。最终生成了包含21章、118节和265个小节的知识库骨架，保留了教材主线并清洗了部分噪声。

京东探索研究院开源了多模态基础模型JoyAI-Image-Edit，支持文生图、图像理解和指令引导的图像编辑。该模型实现了像素级精细化编辑和空间智能，解决了理解与生成之间的“空间断层”，在空间理解和编辑能力上达到世界一流水平，广泛应用于电商、具身智能和3D重建等领域，显著提升创意验证效率。

京东开源的多模态基础模型JoyAI-Image-Edit支持文生图、图像理解和指令引导的图像编辑，具备像素级精细化编辑和立体感，适用于电商、具身智能和3D重建等领域，显著提升创意验证效率。开发者可在HuggingFace或Github获取该模型。

京东开源的多模态基础模型JoyAI-Image-Edit支持文生图、图像理解和指令引导的图像编辑，具备像素级精细化编辑和立体感。该模型突破了理解与生成的空间断层，支持视角变换、空间漫游和物体关系操控，适用于电商、具身智能和3D重建等领域，显著降低成本和提高效率。开发者可在HuggingFace或Github获取该模型。

京东开源的多模态模型JoyAI-Image-Edit支持文生图、图像理解和空间编辑，具备像素级编辑和立体感，提升了空间编辑能力，适用于电商、具身智能和3D重建等领域，推动AI图像编辑向空间重塑发展。

京东开源的多模态基础模型JoyAI-Image-Edit支持文生图、图像理解和指令引导的图像编辑，具备像素级精细化编辑和空间感知能力，解决了理解与生成之间的“空间断层”。该模型在生成与理解的深度融合、空间编辑的范式突破和多场景高性能表现方面具有技术优势，广泛应用于电商、具身智能和3D重建等领域，提升创意验证效率。

京东开源的多模态基础模型JoyAI-Image-Edit支持文生图、图像理解和指令引导的图像编辑，具备像素级精细化编辑和空间感知能力，适用于电商、具身智能和3D重建等领域，提升创意验证效率。开发者可在HuggingFace或Github获取该模型。

京东开源的多模态基础模型JoyAI-Image-Edit支持文生图、图像理解和指令引导的图像编辑，具备像素级精细化编辑和空间感知能力，适用于电商、具身智能和3D重建等领域，显著提升创意验证效率。

京东开源的多模态基础模型JoyAI-Image-Edit支持文生图、图像理解和指令引导的图像编辑，具备像素级精细化编辑和空间感知能力，适用于电商、具身智能和3D重建等领域，提升创意验证效率。开发者可在HuggingFace或Github获取该模型。