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。

IDEA研究中心推出了3B规模的多模态大语言模型Rex-Omni，显著提升了目标检测性能，超越了传统模型。在COCO和LVIS基准测试中表现优异，具备多样化的视觉理解能力，为更通用的视觉感知系统奠定基础。

谷歌推出了Gemini 2.5 AI模型，能够在浏览器中模拟人类操作，如点击、滚动和输入，执行无需API的数据任务。该模型具备视觉理解和推理能力，适用于用户界面测试和与人类设计的界面互动。目前支持13种操作，性能优于竞争对手，开发者可通过Google AI Studio和Vertex AI访问。