百度于11月11日开源ERNIE-4.5-VL-28B-A3B-Thinking模型，具备3B激活参数，性能媲美顶级大模型。该模型在视觉语言理解、文档解析和跨模态推理方面表现优异，支持“图像思考”等创新功能，已在多个平台发布，适合商业使用。

谷歌开源的生成性人工智能模型Gemma 3具备视觉语言理解、长上下文处理和多语言能力。新特性包括减少的KV缓存内存、自定义Sigmoid损失的视觉编码器，以及改进的图像处理算法。Gemma 3支持高达128k的上下文，性能优于前代模型，适合单个消费者GPU或TPU主机。

Kimi团队发布的Kimi-VL是一个高效的开源多模态模型，采用混合专家架构和长上下文窗口，显著提升视觉语言理解能力，超越多个闭源模型，标志着开源领域的重要突破。