Meta 发布开源权重多模态 MoE 模型 Muse Spark Open
Meta 发布开源权重模型 Muse Spark Open，采用 MoE 架构，总参数约 816B、每 token 激活约 42B，支持文本、图像、音频和视频输入，上下文窗口最高 1M tokens。
推荐理由：Meta 开源 816B 多模态 MoE 模型，给出完整部署与微调配方，可据此评估自托管前沿模型的成本与门槛。
技术方向
多模态 最新动态
文本之外的能力：视觉理解、图文混合、音视频输入输出的模型与产品进展。
9 条精选近 30 天 9 条共收录 23 条
更新
多模态的精选
Hugging Face Blog精选AI 评分8888 Hugging Face Blog精选AI 评分6262 Apertus 1.5 发布：8B 与 70B 模型新增图像音频理解与思考模式
Apertus 1.5 在 8B 和 70B 两代模型上新增图像与音频理解、可选思考模式，上下文窗口扩展到 262,144 tokens，为 1.0 的 4 倍，权重以 Apache 2.0 许可发布在 Hugging Face。
推荐理由：Apertus 1.5 在 8B 和 70B 上加入图像音频理解与思考模式，并公开训练数据与中间检查点，便于对照复现。
NVIDIA Blog精选AI 评分7676 NVIDIA 扩展 Nemotron 家族，发布 Nemotron 3.5 Super VL 与 Bolt 模型
NVIDIA 发布开放 1200 亿参数的 Nemotron 3.5 Super VL，主打多模态智能体任务，官方称其准确率接近自家最大推理模型而参数量约为五分之一，吞吐量最高为同类模型的 5 倍。
推荐理由：NVIDIA 一次放出三款开放权重模型，覆盖从数据中心到端侧的智能体部署，读者可据此判断本地化智能体的选型空间。
Google DeepMind精选AI 评分9090 Google DeepMind 发布 Gemini 4 Argon 前沿模型
Google DeepMind 发布 Gemini 4 Argon，面向开发者、企业和消费者开放，通过 AI Studio、Gemini API、Google Antigravity 及 Gemini 应用和搜索 AI Mode 提供，定价为每百万输入 token 2 美元、输出 token 10 美元，缓存输入享 95% 折扣。
推荐理由：官方给出 Argon 在编码、科研与安全对齐上的具体案例和定价，可据此判断前沿模型在专业工作流中的落地程度。
Latent Space精选AI 评分8080 Meta 发布 Muse Wonder 与 Muse Wonder Full 模型
Meta Superintelligence Labs 发布第二代模型家族 Muse Wonder 与 Muse Wonder Full，距该实验室成立约 14 个月。
推荐理由：汇总 Meta Muse Wonder 系列的发布细节与第三方评测数据，可对照其与 Opus 5.5、GPT-6 等前沿模型的差距。
Google DeepMind精选AI 评分6666 Google DeepMind 发布 EmbeddingGemma 2 开源轻量多模态嵌入模型
Google DeepMind 发布 EmbeddingGemma 2，基于 Gemma 4 架构、740M 参数，采用 Apache 2.0 许可，将文本、图像、音频、视频映射到统一嵌入空间。
推荐理由：官方给出参数量、量化内存与基准提升，可据此判断端侧多模态检索的落地门槛。
Mistral AI精选AI 评分8181 Mistral 发布 Mistral Large 4 公开预览，1 万亿参数原生多模态
Mistral AI 发布 Mistral Large 4 公开预览，这是一个 1 万亿参数、520 亿激活参数的原生多模态模型，可在 Mistral Studio 试用预览 API，权重将于本月底开放。
推荐理由：官方给出 1 万亿参数多模态模型的公开预览、权重开放时间与多项基准对比，可据此判断开源权重模型的当前水位。
Microsoft Research精选AI 评分6262 微软研究院发布 Quine：面向生物学复杂性的 AI 研究系统
微软研究院发布 Quine，一个面向生物学复杂性的 AI 研究系统，由跨序列、结构、功能、细胞状态和影像等多模态数据训练的生物学世界模型，以及连接模型、科学工具、文献和实验人员的交互式编排框架组成。
推荐理由：微软研究院公开 Quine 的生物学世界模型与工具编排框架，并给出胰腺癌化合物筛选的湿实验验证结果。
Google DeepMind精选AI 评分7373 Google DeepMind 发布 Gemini 3.8 Live with Live Avatar
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，在 Gemini 3.8 Live 的原生实时对话模型上加入近实时视频生成，使智能体能边听、边看、边说并呈现动态视觉形象。
推荐理由：官方给出 Live Avatar 的实时音视频耦合、异步工具调用与 97 语言同步能力，可据此判断企业级对话智能体的形态变化。