MiniMax M3.1 Flash 已在 AI Gateway 免费开放至10月20日。该开源多模态模型面向编程与智能体任务，支持100万 token 上下文，在复杂智能体、编程和网络安全方面较前代有所提升。免费仅限由 MiniMax 处理请求，需在网关设置中排序供应商；优惠结束后按标准价计费。可通过 AI SDK 及各 API 或编程智能体调用，模型名为 minimax/minimax-m3.1-flash。

iRTE2026实时智能大会将于10月23日至24日在北京悠唐皇冠假日酒店举行，全议程已公布，限免报名中。大会汇聚多模态模型、Voice Agent、实时音视频、AI Infra、AI硬件及应用场景一线从业者，探讨实时智能在模型、工程技术、基础设施与商业落地方面的关键变化。

何恺明团队提出视觉原生框架VISTA，使多模态模型能直接保存原始画面，并在推理时随时回看、放大和检查细节，无需重新训练。在该框架下，Claude Opus 5.0通关ARC-AGI-3全部25个公开游戏，动作效率得分满分100，动作数比人类基线少57.4%；GPT-5.6 Sol同样全部通关，得分99。团队还在浏览器游戏、迷宫和连线题中验证了该方法，并将具身任务列为后续方向。

文章介绍在Java中调用多模态模型抽取票据金额前进行本地校验：检查文件类型仅限JPG/PNG、大小不超过5MB，并用BigDecimal比对申报金额与识别金额，容差0.01元。示例基于JDK17+的HttpClient构造REST请求，显式处理密钥、超时和状态码，强调模型输出不可直接作为付款指令，需JSON解析与人工复核。

Mistral Large 4已上线AI Gateway。该开放权重、原生多模态模型融合推理与图文理解，适用于网络防御、制造和金融。用户可用单一API密钥访问，无需单独注册Mistral账户，支持AI SDK、OpenAI兼容接口及Claude Code等编码代理。

Nova Act 合成监控使用多模态模型按真实用户路径完成任务，替代易误报的选择器脚本。需分离动作与结果断言，连续两次失败才告警，并使用新会话、最小权限和脱敏证据。它适合视觉频繁变动且结果可断言的流程，是继指标、日志、追踪后的第四层证据，但不替代传统脚本。

vLLM 是加速大语言模型推理的框架，通过近乎零浪费的 KV 缓存解决内存管理瓶颈。本文提供离线推理教程，演示 Florence-2、Mllama、Whisper 三个多模态模型的隐式与显式提示用法，包含完整代码示例，并统计生成耗时与 RPS。

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。