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。

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。

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。

Kimi K3 是一款新发布的开源模型，参数达到 2.8 万亿，全球排名第一，超越多款闭源模型。它在前端编程、视觉理解和交互设计方面表现出色，经过百万用户的盲测验证。K3 的技术创新包括混合线性注意力和注意力残差，提升了处理能力。尽管整体表现仍落后于顶级闭源模型，但在编程领域已具竞争力，定价策略有望挑战市场。

Kimi K3是Moonshot AI推出的开源模型，支持文本、图像和视频输入，具有1M-token上下文窗口和视觉理解能力，适用于前端开发、游戏开发和CAD工作流，能够进行深度推理。用户可通过AI SDK使用K3，并在AI Gateway上跟踪模型使用情况和成本。

Qwen系列模型最新升级为Qwen3-VL，在视觉理解和视频处理方面有显著提升。引入多维旋转位置编码（MRoPE）和DeepStack技术，增强了对复杂场景的推理能力，支持长文档和长视频处理，具备更高的上下文长度和精确的时间定位能力，推动多模态理解的进步。

本文介绍了一种视觉自监督学习方法——文本条件JEPA（TC-JEPA），该方法通过图像标题减少特征预测的不确定性。TC-JEPA利用细粒度文本调节器，使图像特征更具语义意义，从而提升下游任务的表现和训练稳定性。该方法在视觉理解和推理任务中优于对比学习，展示了新的基于特征预测的视觉-语言预训练范式。

蚂蚁集团的论文《LLaDA2.0-Uni》提出了一种离散扩散语言模型，旨在统一视觉理解和图像生成。该模型通过将图像压缩为离散语义token，并利用混合专家架构实现文本和视觉token的并行处理，显著提升推理速度。LLaDA2.0-Uni在视觉理解和图像生成任务上表现优异，展现出理解与生成的连续交互能力。

Qwen团队推出了新版本Qwen3.6-27B，这是一个拥有270亿参数的多模态模型，支持视觉和文本理解。该模型在多个编程基准测试中表现优异，超越了前代版本，并在推理任务上取得了高分。HyperAI官网提供了快速部署该模型的教程。

谷歌发布的Gemma 4开源模型在视觉理解和代码生成方面表现优异，尤其是26B版本。尽管小模型在视觉处理上有所欠缺，但在文本理解和代码生成方面依然表现良好，突显了表达能力在AI应用中的重要性。

Kimi K2.5是Moonshot AI最新的智能模型，支持无账户访问，具备强大的编码和视觉理解能力，能够创建动态用户界面。使用时需在AI SDK中设置为moonshotai/kimi-k2.5，AI Gateway提供统一API，支持跟踪和性能优化。

智谱AI与华为联合研发的GLM-Image多模态图像生成模型已开源，打破了海外模型的垄断。该模型在国产芯片上完成全流程训练，支持文本生成图像、图像编辑和风格迁移，具备高质量的视觉理解能力。

OpenAI 发布了 GPT-5.2 模型，强调职场实用性，提升了编程、长文本处理和视觉理解能力，显著节省用户时间。该模型在多个专业任务中超越人类专家，并在数学和科学问题上取得进展。此外，OpenAI 与迪士尼合作，计划推出成人模式，展现其商业化策略。

智谱推出GLM-4.6V系列多模态大模型，包括基础版和轻量版，支持128k tokens上下文窗口，具备原生工具调用能力，优化视觉理解。相比前代，价格降低50%，并提供免费轻量版。该模型在多模态任务中表现优异，开源资源已在主流社区发布，便于开发者集成。