谷歌的Nano Banana 2 Lite现已在AI Gateway上线，支持快速、低成本的图像生成，生成时间少于4秒，且编辑现有图像的成本降低至每张1K图像0.034美元，约为Nano Banana 2的一半。用户可通过AI SDK使用该模型，支持文本和图像的多模态生成。AI Gateway提供统一的API，便于调用模型和跟踪使用情况。

在火山引擎FORCE大会上，发布了豆包大模型2.1 Pro等五大模型，全面升级多模态生成技术。豆包大模型日均Token调用量突破180万亿，成为中国公有云市场的领导者。同时，火山引擎推出AI云原生架构，支持企业高效使用Agent，确保安全合规。新发布的Seedance 2.5和音频生成模型1.0进一步降低了高质量内容生产门槛。

智象未来推出的HiDream-O1-Image-1.5图像生成模型在全球评测中表现优异，成为中国第一。该模型在图像质量、语义遵循和复杂场景生成方面展现出强大能力，适用于广告、电商和影视等多个商业场景。其创新的全模态架构提升了多模态生成的效率和稳定性，推动了图像生成技术的发展。

本月动态包括PaddleOCR的异步能力上线，博客新增视频支持，提升用户互动。新增109个数据集，涵盖多模态生成与文档分析。社区活动包括企业级Agentic AI研讨会，探讨智能体在复杂场景中的应用与挑战。

论文提出了一个统一的世界模型框架，旨在超越任务特定知识注入的局限，强调交互、推理、记忆和多模态生成的重要性，以实现AI对复杂世界的深入理解和交互。

wshobson/agents 是一个智能自动化系统，集成多种代理和插件，支持高效软件开发，提供63个插件和85个AI代理。lss233/kirara-ai 是支持多语言的聊天机器人，兼容多个平台。google/osv-scanner 是漏洞扫描工具，提升数据库质量。isnowfy/snownlp 是处理中文文本的Python库，功能多样。open-mmlab/mmagic 是多模态生成工具箱，支持图像和视频的生成与编辑。

近年来，空间音频技术迅速发展，研究重点已转向多模态生成与语义推理。浙江大学的学者系统梳理了空间音频的表示、理解、生成任务及评测标准，撰写了综述文章ASAudio，填补了该领域的文献空白。

CreateAI发布白皮书，探讨多模态生成技术在动画制作中的应用，以《哪吒2》为例展示AI技术的优势。公司推出“Ruyi”模型以提升生成质量，并开发动漫专属AI平台，获得《金庸群侠传》和《三体》IP授权，增强市场竞争力。

OmniSVG是一种统一的可缩放矢量图形生成模型，利用预训练的视觉-语言模型进行多模态SVG生成。它通过参数化SVG命令和坐标，提升了生成复杂SVG的能力，并开源了包含200万个样本的数据集。OmniSVG在多个生成任务中表现优异，展现了在专业设计中的应用潜力。

PLAID是一种多模态生成模型，通过学习蛋白质折叠模型的潜在空间，能够同时生成蛋白质的1D序列和3D结构。该模型解决了多模态共生成问题，生成全原子结构，并支持功能和生物体提示。PLAID仅需序列数据训练，利用压缩模型提高生成效率，未来可扩展至更复杂系统的多模态生成。

AIxiv专栏报道Liquid框架，该框架通过VQGAN将图像编码为离散视觉token，实现多模态生成与理解的统一。Liquid无需修改现有大语言模型，降低训练成本并保留语言能力，推动多模态智能发展。实验结果表明，Liquid在视觉生成和理解任务中表现优异，验证了多模态任务的互惠关系。