DeepSeek 正式发布 V4.1 Flash 原生多模态模型并开源
深度求索正式发布并开源 552B 参数的原生多模态模型 DeepSeek V4.1 Flash。该模型采用 Causal-Encoder-Decoder 非对称 MoE 结构，输入激活 8B、输出激活 16B，大幅减少了 KV Cache 对 HBM 和 SSD 的占用需求。
推荐理由：原文公开了非对称 MoE 架构与大幅压缩 KV Cache 的技术细节，为开发者评估多模态与 Agent 任务落地成本提供了直接参考。
#多模态
#多模态
今日 17 条DeepSeek 公众号精选AI 评分8989
智谱 公众号精选AI 评分8585 智谱开源原生多模态模型 GLM-5.3-Flash
智谱正式上线并开源 GLM-5 系列原生多模态模型 GLM-5.3-Flash（320B-A18B），在综合智能指数与编程评测中取得与 Claude Opus 4.8 相当的表现。
推荐理由：该模型在综合评测中追平海外顶级旗舰，并通过混合注意力架构与国产芯片部署大幅压低了调用成本。
DeepSeek 公众号精选AI 评分8484 DeepSeek 上线 DeepSeek-V4-Flash-Vision-Exp 并开启多模态 API 服务
DeepSeek 实验性多模态模型 DeepSeek-V4-Flash-Vision-Exp 正式上线 API 平台，支持图文混合输入与各类 Agent 框架集成。
推荐理由：原文给出了纯文本与多模态基准对比以及按 token 计费规则，开发者可以据此评估多模态智能体任务的接入成本。
Microsoft ResearchAI 评分4545 MindTopo 揭示 VLM 的空间拓扑推理能力
MindTopo 评测基准针对多模态模型（VLM）发布，旨在从连通性、分离、顺序、包围与绳结五个维度评估其空间拓扑推理与交互规划能力。测试显示，主流闭源与开源模型在静态识别上的表现普遍优于交互规划，但整体均远落后于人类水平。模型的失败主要集中在多步规划阶段，容易在动态变化中丢失结构追踪或违反物理约束。
Microsoft ResearchAI 评分4646 微软推出 CARE-X：面向临床实用的放射学视觉语言模型
微软研究院推出胸部 X 光视觉语言模型 CARE-X，通过结合自由文本生成与结构化预测，统一支持放射学报告生成、校准诊断等多类临床判读任务。该模型利用强化学习（DAPO）在多任务场景中奖励临床正确性，并在印度 Narayana Health 的真实临床数据上完成了验证。
通义实验室 公众号精选AI 评分7373 通义实验室发布 Qwen-Audio-3.0-TTS 语音合成模型
通义实验室正式发布实时语音合成模型 Qwen-Audio-3.0-TTS，推出首包延迟约 300ms 的 Flash 版与注重音色还原度的 Plus 版。模型覆盖 16 种语言及 20 种中文方言，支持自然语言指令控制与呼吸、笑场等结构化标签嵌入调控，单次合成支持最长 3 分钟并升级至 48kHz 音频输出，现已在阿里云百炼平台上线。
推荐理由：模型提供兼顾实时与高音质的两个版本并支持指令控制情感，有助于开发者评估其在多语种及复杂场景的落地表现。
通义实验室 公众号精选AI 评分7979 通义实验室发布实时多模态交互模型 Wan-Streamer v0.2
通义实验室发布实时双工全模态交互模型 Wan-Streamer v0.2，端到端响应延迟约 550ms，输出视频分辨率提升至 640×368 @ 25FPS。模型将传统流水线重构为基于 160ms 流式单元的原生因果流，并采用单卡 Thinker 与多卡 Performer 双通路硬件解耦与 Ulysses 序列并行机制，实现低延迟感知与重载视频生成的时序重叠。
推荐理由：原文给出了双通路硬件解耦与时序重叠调度方案，展示了在大幅提升视频分辨率时维持超低交互延迟的具体工程路径。
阶跃 StepFun 公众号AI 评分2828 阶跃星辰公布 WAIC 2026 展区亮点
阶跃星辰公布 WAIC 2026 参展亮点，将集中展示覆盖云端与端侧的 Step 系列模型矩阵，以及智能体原生操作系统 Step AOS。获评 WAIC“镇馆之宝”的智能体手机 STEPX Neo 将首次线下公开亮相，汽车智能体也已搭载于极氪8X。此外，现场还将携手原力灵机发起 6 台机器人连续协作 15 小时拼装 8 万余块积木长城的极限挑战。
通义实验室 公众号精选AI 评分7676 通义实验室发布 Qwen-Audio-3.0-Realtime 实时语音交互模型
通义实验室将语音交互模型 Fun-Realtime-AudioChat 正式升级更名为 Qwen-Audio-3.0-Realtime 并上线阿里云百炼，提供 plus 和 flash 两个版本。
推荐理由：升级通过多模态双工与多教师蒸馏兼顾了低延迟抗噪和复杂工具调用，适合语音交互开发者参考。
通义实验室 公众号精选AI 评分7878 通义实验室发布具身智能基础模型套件 Qwen-Robot
通义实验室正式推出具身智能基础模型套件 Qwen-Robot，通过模块化协同弥合视觉语言理解到物理行动的鸿沟。套件包含负责多任务移动控制的 Qwen-RobotNav、统一 80 维跨本体操作表征的 VLA 模型 Qwen-RobotManip，以及基于双流 MMDiT 预测物理演化的世界模型 Qwen-RobotWorld。
推荐理由：原文给出了导航、操作与世界模型三模块的协同架构，读者可据此了解具身大模型统一跨本体动作空间的落地路径。