Firefox 157 发布，最大亮点是 Nova UI，对浏览器面板、侧边栏和菜单进行视觉革新。新版支持 WebRTC 视频通话硬件 AV1 解码，修复 HDR 视频问题，改进变速播放时的音视频同步，并移除亚马逊内置搜索引擎。

VLX-Seek是OmAI Lab推出的细粒度视觉语言模型，面向机器人、无人机等边缘具身视觉场景，结合语言理解与区域级视觉感知，支持目标定位、指代理解、区域OCR、描述与计数，并引入目标缺失拒识机制，为具身智能连接环境感知与行动决策提供基础能力。

麻省理工学院可感知城市实验室新书《AI如何看城市》探讨视觉AI对城市研究的价值与风险。作者指出，AI可大规模分析图像数据，用于交通、污染、绿化等研究，但普遍监控会侵犯隐私，训练偏差也可能强化社会偏见。AI并非中立，应审慎、批判且创造性地使用。

上海交大团队提出EgoInteract系统，用于EgoLink挑战赛Track 2的第一人称社会场景交互任务。该系统包含场景感知服务Agent与范围受限自纠正Agent，通过证据账本统一视觉假设、工具观测与对话状态，防止无依据的状态变更。官方评测中排名第一，联合成功率0.844，微平均准确率0.916。消融实验显示场景规则贡献最大，纠正机制提供针对性防护。

ReferTrack是一种用于具身视觉跟踪（EVT）的“指代-再跟踪”范式，机器人仅靠单摄像头，根据自然语言指令识别目标并规划轨迹跟随。它先从检测到的带索引边界框目录中选择目标，再预测航点。通过滑动窗口队列和TVBI token注入目标几何特征，保留运动线索。模型结合自建Refer-QA数据联合训练，强化指代能力，实现端到端策略，提升拥挤场景下的跟踪鲁棒性。

H公司发布NeoMME系列双向编码器，采用单塔架构同时处理文本与图像块，移除视觉塔和因果解码器。其中NeoMME-Retriever-260M在ViDoRe v3基准上达到0.523 nDCG@10，性能媲美3.75B模型，但体积小14倍。该模型支持高效索引压缩，但纯文本检索能力较弱。

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。

RoboPocket系统利用智能手机作为边缘计算设备，通过实时反馈和AR视觉前瞻，统一数据采集、训练和测试角色，实现无机器人的即时策略迭代。它采用同构夹爪和感知完备设计确保数据质量，并通过主动验证和时空同步支持多设备协作，降低机器人学习门槛。

DeepSeek发布V4 Flash Vision Exp，支持图像输入，价格低于Gemini 3.7 Flash。测试显示两者在图表、发票和日志分析中准确率相当，均能识别陷阱。DeepSeek成本约为Gemini三分之一，但速度慢一倍多，且高峰期价格翻倍。建议批量处理选DeepSeek，实时任务用Gemini。

Cohere发布文档解析模型Parse（parse-v5.0），为2.3B参数视觉语言模型，可将PDF、PPT等转为带HTML表格和边界框的Markdown。API定价每千页1.5美元，Model Vault月费2500美元起。ParseBench得分79.2为自报子集分数，未含图表和视觉定位维度。专用容量月处理超167万页才划算。

2026年8月，全国视觉智能标准化工作组与AVS工作组在上海召开第98次会议，审议78份提案，涵盖视频、音频、基因压缩等领域。会议推进AVS4视频编码标准，采纳智能编码技术，并计划10月召开产业需求研讨会。同时，各分组输出多项标准文档，包括三维体视频、触觉编码等，并确定下次会议于12月在深圳举行。

本文介绍“内化视觉思维”（IVT）框架，用于视频推理。IVT在训练时预测未来帧的潜在表征，推理时直接生成答案，无需生成中间图像。相比视觉思维链（Visual CoT），IVT性能相当或更优，且延迟降低5倍以上，表明显式像素生成在推理中并非必需，可提升效率与准确性。

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悄然上线视觉模型V4-Flash-Vision-Exp，价格与文本版持平，图片按Token计费，纯文本能力不变，多模态Agent能力大幅提升，但部分测试有退步。此举旨在让Agent“看见”屏幕，提升效率，同时开放Files API构建生态。实验性质或为商业策略，引发开发者对性价比和潜在涨价的讨论。

DeepSeek发布多模态视觉理解模型V4-Flash-Vision-Exp，上线API平台，补齐视觉能力。该模型纯文本能力与V4-Flash持平，多模态Agent能力接近Opus-4.8，支持PPT生成、网站重构等场景。API按token计费，图片最多384 tokens，价格与V4-Flash一致，并推出免费Files API，降低开发者接入门槛。

ZCode用户使用纯文本模型deepseek-v4-flash无法识别图片。通过安装zcode-deepseek-eye技能，配置视觉子Agent（如mimo-v2.5）作为“眼睛”，主模型遇到图片时自动转交处理，无感提升功能。安装需重启并配置，选错模型可重配，密钥自持，旧会话需新开。方案保留性价比，解决识图需求。

OpenCode Senses是一款本地运行的视觉插件，无需API密钥，通过Moondream2模型实现图像识别、OCR和对象检测等13种工具，所有分析在本地GPU完成，300毫秒内返回结果。它采用自动注入证据机制，将图像内容标记为不可信观测数据，防止提示注入攻击。该插件免费、开源、跨平台，适合代码截图和UI测试，但性能上限低于云端大模型。