搜索
vLLM Semantic Router推出并开源Decision 3.0系列多模态决策模型，覆盖0.6B至27B六款模型，其中d3在Jev Decision Index 0.3.1文本榜和视觉榜均排名第一。
对着屏幕说一句 “向左转”，画面随即展开新的视野；调整角色的动作，场景紧接着给出反馈。多模态交互要求视觉生成跟上人的操作，而漫长的等待会打断整个体验。
多模态模型的视觉原生Harness，来了！
拿起一枚生鸡蛋，手指需要施加恰到好处的力：既要防止滑落，又不能捏碎。拧一条湿毛巾，指尖的力道也要随着水分挤出不断调整。对人类而言，这些操作几乎出于本能。但如果只依赖视觉，摄像头拍得下手部轨迹，却捕捉不到手指接触的位置与按压的力度。
何恺明团队提出VISTA方法，将ARC-AGI-3的数字表换回图像并配备可随时翻看的视觉记忆相册，使Claude Opus 5拿下满分100分、GPT-5.6 Sol获得99分，证明卡住大模型的是眼睛和记性而非模型能力本身。
Meta个人智能体Muse爆火后，沈俊潇创办的Memories.ai押注视觉记忆赛道，其视觉模型栈已在高通骁龙平台实现手机、PC与智能眼镜的端侧持续感知，并与英伟达达成合作，成为芯片厂商卡位生态的重要伙伴。
Einsia AI旗下Navers Lab发布视觉编程基准PPTBench，包含500个科学流程图任务并测试10个模型36种配置，GPT-6 Astra High以77.34分居首，但64.03%的结果因流程语义错误被拒，表明视觉理解仍是当前主要瓶颈。
上海人工智能实验室开源的多模态决策SOTA模型Intern-Decision采用自回归式掩码语言任务框架，在推理速度上比Jev提升2至3倍，并在游戏画面决策、验证码识别和网页操作等任务中展现出将视觉理解与结构化决策结合的能力，目前已在Hugging Face、GitHub开源0.8B、2B和4B三个版本。
奥比中光向香港联交所提交上市申请，拟发行H股并在港交所主板上市，蚂蚁集团旗下上海云鑫持股8.92%，2025年营收9.41亿元、净利润1.28亿元，全球机器人3D视觉感知市场份额以29.0%排名第一。
Anthropic发布Claude Sonnet 5.5，运行速度较前代提升30%、单任务成本最高降低30%，以一半的标价在多项基准测试中接近或反超大杯Opus 5.5，凭借代码、视觉理解和办公等能力成为新一代性价比之王。