原力灵机推出的DW0.5具身世界模型，结合DFOL2.0框架，降低了60%的真机数据需求。DW0.5通过模拟动作后果与价值反馈，提升机器人在复杂环境中的学习能力，支持多模态输入，增强训练效率和成本效益。该模型在多个基准测试中表现优异，已实现闭环流程，未来将应用于具身智能领域。

Google于6月11日开源了基于离散扩散技术的文本生成模型DiffusionGemma。该模型具有高效的生成速度，能够以最高1100 Token/s的速度同时生成整个文本块，采用26B参数的混合专家设计，支持256K Token长上下文和多模态输入。尽管标准版Gemma 4在生成质量上更优，DiffusionGemma展示了新的发展方向。

今日，MiniMax M3正式上线，京东云JoyBuilder平台已接入该模型，提升推理效率。MiniMax M3支持1M超长上下文和多模态输入能力。京东云提供高性能推理服务，帮助企业快速应用大模型，提升运维效率，未来将深化合作，构建开放的AI生态。

第三方评测机构Artificial Analysis发布报告称，Qwen3.5 27B和Gemma 4 31B在智能水平上接近GPT-5。Qwen3.5在推理能力上表现优异，但知识准确性仍有不足。两款模型支持多模态输入，适合本地部署，降低使用门槛。Gemma 4系列在多种应用场景中表现出色，具备强大的推理和语言处理能力。

千问推出“表格Agent”，用户可以通过自然语言直接生成和编辑Excel文件。该功能支持自动信息检索和多轮对话，能够处理PDF和图片等多模态输入，生成结构化表格。用户只需简单提问，即可获得可下载的Excel文件，提升了表格处理的易用性。

Seedance 2.0 是一款先进的中国 AI 视频生成模型，支持多模态输入，能够高效生成高质量视频，解决了传统模型的诸多问题。用户只需上传素材，AI 即可自动生成复杂场景和动作，提升创作便利性。尽管引发了关于视频真实性的伦理讨论，Seedance 2.0 的强大功能使其成为视频创作的新标杆。

Gitee 企业版推出马建仓 AI 助手，优化了任务入口整合、多模态输入和角色理解，提升了使用效率和需求描述灵活性。未来将推出“AI 队友”功能，增强协作体验。

文章讨论了MAI-UI智能体框架，该框架以图形界面为中心，支持从小型到超大规模模型（2B至235B）的交互体验，旨在将基础模型能力应用于真实世界任务，提供设备与云的协同、事件感知和多模态输入支持。

Marble是新发布的3D世界生成模型，支持文本和图片输入，用户可以生成完整的3D场景并进行深度编辑，提供多种导出格式。其多模态输入和编辑能力超越现有工具，降低了3D建模的门槛。李飞飞强调空间智能的重要性，Marble旨在让AI理解三维空间。

AI生成的视频越来越真实，但仍面临“恐怖谷”效应。清华大学与字节跳动推出的HuMo框架，通过多模态输入和渐进式训练，提升视频生成效果，解决声音、表情与动作的协同问题，适合创作者和开发者使用。

在2025年Deploy London大会上，Gradient AI平台推出新功能，简化AI应用开发，支持多模态输入，包括图像模型和知识库自动索引。企业可通过虚拟私有云(VPC)提升安全性，Gradient AI代理开发工具包(ADK)和Genie将帮助开发者高效构建多代理系统。

谷歌的Gemini 2.5 Deep Think模型通过平行思维技术解决创造性问题，在2025年国际数学奥林匹克中表现优异，获得金牌。新版本在推理深度和速度之间取得平衡，适合日常使用，采用新型强化学习技术，支持多模态输入，尽管存在查询限制，但在多个基准测试中表现出色。

结构化输出为AI提供了秩序，LangChain简化了多模态输入（文本、图像、音频等）的处理，提升了工作效率和一致性，便于API连接。

xAI的Grok 3在AI开发中表现突出，具备强大功能。Cursor集成了Grok 3和Grok 3 Mini，开发者可免费使用。Grok 3在推理能力上显著提升，支持多模态输入，用户可通过Cursor轻松启用Grok 3 Mini，提高编程效率。

随着Gemini 2.0 Flash的推出，检索增强生成（RAG）的必要性受到质疑。Gemini 2.0 Flash具备实时文档搜索和多模态输入处理，能够直接处理大文档，提升用户体验。尽管RAG在复杂系统中仍有应用，但未来可能会被更高效的模型取代。

Midjourney 7和GPT-Image-1是两种先进的AI图像生成工具。Midjourney 7侧重艺术表现和个性化，适合创意探索；而GPT-Image-1强调多模态输入和API集成，适合设计师和开发者。两者在生成速度、成本和功能上各有优势，用户可根据需求选择合适的工具。