技术方向
文字之外的能力：看懂图片、图文混合理解、音视频输入输出的模型与产品进展。
44 条精选近 30 天 41 条共收录 241 条
Cloudflare AI Search 现已正式商用，将于 2026 年 11 月 1 日起计费，并提供包含免费额度的定价方案。此次更新新增了对图像的原生嵌入检索、PDF 文档 OCR 处理及更大文件格式的支持，同时通过 Matryoshka Representation Learning 优化了多模态检索效率。
推荐理由：Cloudflare AI Search 正式商用并引入多模态检索与 OCR 能力，开发者可据此评估其在构建企业级知识库与多媒体搜索应用中的成本与功能适配性。
Google Research 推出了一套 AI 视频联合导演框架，通过多智能体协同解决长视频生成中的语义漂移与视觉不一致问题。该方案包含四个核心组件：用于全局策略规划的 AI Video Co-Director、利用视觉记忆保持连贯性的 CANVAS、实现长时序动态生成的 A²RD，以及通过闭环反馈优化提示词的 VQQA，旨在实现分钟级长视频的稳定叙事。
推荐理由：该研究提出了一套多智能体框架，通过全局优化和视觉记忆机制解决长视频生成中的一致性难题，为提升长叙事视频的连贯性提供了可借鉴的架构思路。
Google DeepMind 推出 Gemini 3.8 Live with Live Avatar，通过实时视频生成技术为对话模型增加视觉形象。该功能支持 97 种语言的唇形同步、异步工具调用以及企业自定义数字人形象，目前已在 Gemini Enterprise 中上线。
推荐理由：Google DeepMind 为 Gemini 3.8 Live 引入实时数字人功能，支持异步工具调用与多语言唇形同步，为企业级智能体交互提供了更具表现力的视觉方案。
月之暗面发布 Kimi K3，这是全球首个 2.8 万亿参数的开源模型，专为长序列编码、知识工作及深度推理设计。该模型支持 1M 上下文窗口、多模态输入及可配置的推理深度，现已通过 Together AI 提供 API 服务，支持自动上下文缓存以优化成本。
推荐理由：Kimi K3 作为首个 2.8 万亿参数的开源模型，通过架构创新支持 1M 上下文及深度推理，开发者可参考其在 Together AI 上的调用指南与成本优化策略。