谷歌推出了Gemini Robotics-ER 1.6，这是一个升级的机器人模型，具备更精准的物理环境理解能力，增强了空间逻辑和多视角理解，提升了自主性，尤其在视觉理解、任务规划和成功检测方面表现优异。此外，该模型能够读取复杂仪表，并且是迄今为止最安全的机器人模型，符合安全政策。开发者可通过Gemini API和Google AI Studio访问该模型。

微软与清华提出BiPS模型，通过训练阶段教会模型关注关键视觉细节，解决视觉-语言模型在推理中的错误。BiPS利用“拉”和“推”机制，提升视觉理解能力，使模型在复杂任务中更准确地识别信息，推动通用智能的发展。

文心5.0正式发布，参数达到2.4万亿，具备全模态能力，表现优异。其在文本和视觉理解方面多次夺冠，展现出强大的知识整合与创造力。通过原生全模态建模，提升了理解与生成的协同能力，已广泛应用于多个行业，未来发展值得关注。

快手推出了Keye-VL-671B-A37B多模态大语言模型，具备强大的视觉理解和视频感知能力，能够准确识别图像和视频细节并进行复杂推理，表现优于同类产品。未来将增强多轮工具调用能力，推动更深层次的视觉思考与推理。

阿里千问的视觉理解模型Qwen3-VL和Qwen2.5-VL在最新空间推理基准测试中表现优异，超越Gemini 3和GPT-5.1等国际顶尖模型，但仍未达到人类80分的基准。Qwen3-VL在视觉感知和多模态推理方面取得重大突破，已开源不同版本并上线千问APP供用户体验。

字节AI推出的新模型Doubao-Seed-Code在Agentic编程任务中表现卓越，支持视觉理解，能够根据UI设计生成代码，并快速解决各种问题。火山引擎还提供低成本套餐，推动AI编程进入“咖啡时代”。

本文介绍了一种新的向量量化训练方案DiVeQ，采用STE技巧，无需额外的Aux Loss，使训练过程更加简洁。DiVeQ在视觉理解和生成中表现出色，解决了传统方法的超参数调节问题。

DeepMind提出了“帧链”（CoF）概念，旨在赋予视频模型通用视觉理解能力。Veo 3模型通过简单提示生成视频，展现出感知、建模和操控能力，能够处理多种视觉任务。尽管在特定任务上不及专用模型，但其性能正在快速提升，未来有望成为机器视觉的“通用基础模型”。

在WAIC展会上，声网展示了其升级的对话式AI引擎，具备选择性注意力和视觉理解能力，能够在嘈杂环境中精准识别用户声音并实时识别图像，广泛应用于教育和智能硬件领域，提升人机交互的自然性和流畅性。

文心4.5系列模型正式开源，包含10款模型，支持多模态学习，提升文本和视觉理解能力。模型在多个基准测试中表现优异，已开源至Hugging Face和GitHub，提供高效的训练和推理框架，支持多种硬件部署。

国产AI豆包新增视频通话功能，具备实时识别、视频内容分析及问题解答能力，提升人机互动体验。