在医学影像领域，AI的革命性进展已不稀奇——CT有了自动阅片系统，X光报告可由模型生成。但当聚光灯转向超声时，这一“最日常”的影像手段，却始终没有迎来真正的智能时代。为什么？
多模态大模型 (MLLM) 驱动的 OS 智能体在单屏动作落实（如 ScreenSpot）、短链操作任务（如 AndroidControl）上展现出突出的表现，标志着端侧任务自动化的初步成熟。
东北大学、武汉大学等的研究人员首次提出统一处理图像与视频的无监督领域自适应语义分割框架，通过四向混合机制（QuadMix）和光流引导的时空聚合模块，有效缩小跨域差异，显著提升模型性能，刷新多项基准记录。该方法不仅解决了图像与视频任务割裂的问题，还为未来多模态感知系统奠定了基础。
使用Google Gemini CLI构建个人知识库是高效的知识管理新方式。该工具通过命令行实现自然语言交互，能自动化整理文件、转换格式、生成结构化内容（如知识图谱）。相比云端笔记软件，其本地优先特性保障隐私且支持多模态处理，结合高质量输入可实现个性化自适应学习，本质是人与AI协同进化的工作范式升级。
6月30日，OpenAI支持的Chai Discovery推出Chai-2，这款多模态生成模型展现出强大的抗体设计能力，一经发布便引起巨大轰动。
多模态大模型崛起，安全问题紧随其后 近年来，大语言模型（LLMs）的突破式进展，催生了视觉语言大模型（LVLMs）的快速兴起，代表作如 GPT-4V、LLaVA 等。
多模态推理，也可以讲究“因材施教”？
尽管多模态大模型在数学、科学等结构化任务中取得了长足进步，但在需要灵活解读视觉信息的通用场景下，其性能提升瓶颈依然显著。
我们提出了 PresentAgent，一个能够将长篇文档转化为带解说的演示视频、多模态智能体。现有方法大多局限于生成静态幻灯片或文本摘要，而我们的方案突破了这些限制，能够生成高度同步的视觉内容和语音解说，逼真模拟人类风格的演示。
近日，基于自研多模态大模型，旨在打造AI应用的“超级感官”与“真大脑”的创业公司——无界方舟（AutoArk）宣布连续完成Pre-A & Pre-A+轮亿元级别融资
