李飞飞发布：全球首个多模态世界模型
李飞飞发布：全球首个多模态世界模型「全球首个」多模态世界模型，来了！
来自主题: AI技术研报
7534 点击 2026-09-02 10:07
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
「全球首个」多模态世界模型，来了！
图片不只被编码，还直接参与 Attention、MoE 与 Agent 推理。
DeepSeek-V4-Flash-Vision-Exp多模态模型正式开源，该模型为DeepSeek-V4系列首个实验性多模态模型，基于DeepSeek-V4-Flash架构集成视觉模块，在真实世界软件工程测试DeepSWE中以59.3%反超Opus-4.8登顶，并在零样本视觉推理测试ZeroBench中击败Opus-4.8。
商汤首席科学家林达华在专访中判断，未来一两年多模态将迎来能力涌现的"GPT时刻"，并阐述商汤以原生理解生成统一模型U系列和多模态智能体模型SenseNova 6.8为核心的长期技术路线。
新加坡Physical AI公司Ropedia正式发布新一代多模态采集系统HOMIE Gen2，以4目全景360°、十余种模态同步采集与开箱即用的高精度训练级数据，将人类经验规模化为机器人可直接学习的训练数据，推动Physical AI的经验规模化落地。
在动画和美术生产中，线稿上色是一个看似基础、却极其依赖细节控制的环节。创作者往往不是简单地把线稿涂上颜色，还需要理解角色身份、遵守局部色块约束、参考前后帧风格，并在连续片段中保持服装、发色、妆容和背景的一致性。
这几天 ox-alpha 用爽了吧...正如很多人猜的那样，这个模型来自智谱，正式名称为 glm-5.3-flash，支持多模态，但很多人没猜到的是：这个乱杀的模型只有 321B，且与 glm-5.3 不同，是完全的新架构
今天，我们上线并开源GLM-5.3-Flash (320B-A18B)，这是GLM-5系列的首个原生多模态模型。大家好像已经习惯将前沿智能与前沿价格绑定，并认为这是技术进步必须支付的成本。今天，GLM-5.3-Flash来了：320B总参数，能力超过GLM-5.2，在全球权威的Artificial Analysis Intelligence Index（AA综合智能指数）中取得57分
等了四个月，DeepSeek的多模态模型：deepseek-v4-flash-vision-exp，终于发布。我也是第一时间赶到现场，连夜开始实测。相比V4 Flash最大的不同，就是支持原生支持图片输入了，但图片生成当然还是没有的。
学不过来，刚刚学会怎么用好 Codex，现在又来了个 DeepSeek Harness。 过去几天，我们已经介绍过它的插件、各种新玩法和新上线的多模态，但还有一个最基础的问题没有解决：DeepSeek