多模态ai
Elorian发布首个AI模型Glimpse，采用独特视觉推理方法
Palo Alto AI初创公司Elorian推出首个AI模型Glimpse，引入了不同于传统方法的图像处理机制。与常见的将图像转换为tokens后进行推理的做法不同，Glimpse能在推理过程中重复查看图像、裁剪特定区域和抽取视频帧。该公司声称该模型在科学图表推理和短视频字幕生成等任务上超越了GPT-6 Astra。
Mistral发布1万亿参数大模型Mistral Large 4
Mistral AI公司发布了新一代大模型Mistral Large 4（代号"Le Chonk"），这是一个拥有1万亿参数、49亿活跃参数的原生多模态模型。该模型采用混合专家架构，配备1.6亿视觉编码器，支持100万token上下文窗口。根据Mistral，这一模型在欧洲和美国的聚合基准中表现为最佳的开源模型。
DeepSeek发布V4.1 Flash模型，推进KV缓存压缩技术
DeepSeek推出了V4.1 Flash模型，这是一个拥有552B参数的多模态混合专家模型，能够支持高达1百万tokens的上下文长度。该模型采用Causal Encoder-Decoder架构、CSA2压缩机制和FP4量化等技术手段，在KV缓存存储方面取得显著进展。
Atlas：用于空间智能的世界模型
World Labs公司推出了名为Atlas的新一代世界模型，这是一个多模态自回归扩散变换器，能够原生处理文本、图像、视频和3D数据 。该模型可执行包括相机控制生成、空间重建、时空模拟和图像生成等多项任务 。
Gemini Omni 1.1 Flash 发布：带来全新视频生成控制功能
Google 发布了 Gemini Omni 1.1 Flash 更新，为开发者提供生成式视频的新控制功能，该模型已通过 Gemini API 在 Google AI Studio 上线，面向专业创作与部署场景 。在上下文理解方面，新模型可分析最多 10 秒的先前上下文，较此前仅参考最后 1 秒的模型有显著提升 。
DeepSeek 发布多模态视觉模型 deepseek-v4-flash-vision-exp
DeepSeek 推出新型多模态视觉理解模型 deepseek-v4-flash-vision-exp，已在 DeepSeek API 平台上线。该模型支持图像和文本的多模态输入，可处理 JPEG、PNG、GIF 和 WebP 格式的图像。用户可通过设置 `model='deepseek-v4-flash-visio…