面壁智能发布新一代端侧多模态大模型 MiniCPM-V 4.7，仅 3GB 内存可实现 13+ token/s 解码速度

MiniCPM-V 4.7 提供 35B-A3B 和 1B 两种规格，35B-A3B 是系列首个 MoE 模型，支持 iOS、安卓和鸿蒙，适配 Intel、AMD、Arm 等芯片平台，还开源了 SRFT 微调方案。#面壁智能···

谷歌推出 EmbeddingGemma 2：支持多模态、7.4 亿参数量化手机端运行只需 191MB 内存

谷歌推出 EmbeddingGemma 2 开源多模态嵌入模型，基于 Gemma 4 架构，可统一处理文本、代码、图像、视频和音频，支持端侧推理，兼顾性能与存储效率。

让 AI 学会“挑刺”：根据说明书 + 照片指出家具是否装错，OpenAI GPT-6 Astra 准确率已达 80%

OpenAI 最新的 GPT-6 Astra 在 FAB 家具组装错误识别测试中准确率达 80%，相较去年同期提升近三倍，未来有望在组装、维修等场景提供 AI 辅助。#AI识别家具组装错误#

微信 WeMM-Embedding 多模态模型已在微信大规模使用：覆盖朋友圈搜索等，每天调用量 10 亿次

据微信员工 @客村小蒋 分享，微信视觉团队最近开源的多模态模型 WeMM-Embedding 已经在微信里大规模用了 —— 朋友圈搜索、视频号推荐、公众号推荐、微信电商都在用，每天调···

全球首个多模态世界模型：李飞飞 World Labs 发布 Atlas，像素级精度控制镜头、拍出“子弹时间”大片

“AI 教母”李飞飞的创企 World Labs 今日发布了“全球首个多模态世界模型”—— Atlas，宣称该模型能够以像素级精确的相机控制生成图像和视频帧，并将其在 3D 中重建。

DeepSeek-V4-Flash-Vision-Exp 模型已开源，多模态 Agent 能力接近 Opus-4.8

DeepSeek-V4-Flash-Vision-Exp 已上线 Hugging Face 并开源，支持图片输入、识别文字和分析图表，多模态 Agent 能力接近 Opus-4.8。#DeepSeek#

原生支持 4K 图像输出，商汤开源 8B 参数量多模态大模型 SenseNova U1.5 Lite

商汤科技今日宣布开源轻量级、原生统一多模态大模型 SenseNova U1.5 Lite。

原生支持 4K 图像生成，商汤科技开源多模态模型 SenseNova U1.5-Lite-Preview 预览版本

商汤科技今日宣布，面向社区开源轻量级统一多模态模型的预览版本 SenseNova U1.5-Lite-Preview。

MiniMax H3 通用多模态视频模型将于 8 月 3 日开源，最高可支持 15s 2K 分辨率

MiniMax H3 支持对文本、图像、视频、声音组成的多模态上下文的统一理解能力、能够输出具备原生双声道的音视频，最高可支持 15s 2K 分辨率。

字节发布多模态图像创作模型 Seedream 5.0 Pro：复杂信息可视化、交互式精准编辑

据介绍，相比之前版本，Seedream 5.0 Pro 在图文匹配、结构合理性、文字渲染与画面美感等基础能力上全面提升。