相关文章
483 篇高质量内容
DeepSeek小模型长了眼睛，Agent基准干翻顶级闭源模型
DeepSeek发布V4-Flash-Vision-Exp多模态视觉实验版，在Agents' Last Exam和ZeroBench等Agent基准测试中超越Opus-4.8等顶级闭源模型；视觉能力加入后文本性能未下降，且图片token消耗仅384个，Files API免费；该模型聚焦Agent工作流闭环，验证了轻量级多模态Agent能力的可行性。
V4-Flash-Vision-Exp 上线，开启多模态 API 服务
DeepSeek 推出实验性多模态视觉理解模型 V4-Flash-Vision-Exp，通过 API 提供图文混合输入支持。该模型在纯文本能力上与 V4-Flash 持平，在多模态 Agent 基准测试中表现接近 Opus-4.8。支持 Chat Completions 等三种调用格式及 Files API 图片复用，计费按 token 统一标准。
DeepSeek Harness 更新：官方多模态支持
DeepSeek Harness 连续发布 v0.1.0-rc.7、v0.1.0-rc.8 和 v0.1.1-rc.1 三个版本，重点增强多模态能力（新增 DeepSeek-V4-Flash-Vision-Exp 模型支持图文输入）、子代理协作灵活性（Codex/Claude Code 接入 Job Panel）及稳定性（修复长会话、终端兼容等问题）。MCP/ACP 支持图片附件持久化，PTC Mode 支持转发嵌套图片。
DeepSeek终于长出“眼睛”，V4 Flash视觉模型上线
DeepSeek于8月21日上线deepseek-v4-flash-vision-exp，为其V4 Flash模型首次引入原生图片输入能力。该模型支持1M上下文、384K输出长度，沿用V4 Flash同档定价，图片按尺寸折算为Token计费。其发布紧随Harness框架更新之后，旨在补全Agent系统的感知入口，当前仍标注为实验版本（Exp）。
昨夜，DeepSeek Harness首发新版本：14项更新，多模态能力拉满！
DeepSeek Harness于8月20日发布v0.1.0-rc.8版本，共14项更新，重点增强多模态输入能力，支持原生图片请求与图文混合指令；新增OCR、颜色统计、像素扫描等工具链，使纯文本模型可间接处理图像；Claude Code与Codex接入子代理体系，Windows终端体验优化，并修复流式生成、大图请求、自定义网关调用等关键问题。
DeepSeek Harness重磅更新：原生解锁多模态
DeepSeek Harness RC.8版本发布，原生支持多模态图文输入，/goal、/plan等命令可接收图片；Claude Code与Codex作为Profile Bundle按需安装；修复图片载荷过高导致请求失败等问题，并优化SQLite后端性能与界面交互体验。
Qwen3.8-27B：可在高端笔记本本地运行的前沿级编码与智能体模型
阿里巴巴发布开源多模态模型Qwen3.8-27B，仅需17GB显存即可在消费级设备运行，支持图像/视频理解、超长上下文与智能体工作流，在多项编程与智能体基准中媲美Claude Opus等专有模型。
太快了！聊聊 DeepSeek Harness 必装的插件。
DeepSeek Harness 基于 Cordis 插件系统构建，社区已快速开发出覆盖开发体验（WebUI 增强、TUI、桌面端）、视觉/多模态（识图、OCR、本地视觉模型代理）、记忆与工作流（本地三层记忆、自动化任务、多 Agent 调度）、工具集（数据库连接、设计画布、插件市场）等方向的数十个插件。文章逐一介绍 dsh-better-sidebar、dsh-TUI、deepseek-harness-desktop、dsh-vision-toolkit、dsh-mnemon、dsh-workflow 等核心插件的功能、安装方式与适用场景。
17GB内存就能跑！阿里开源最强27B多模态Qwen3.8，消费级显卡直接上
阿里开源Qwen3.8-27B原生多模态稠密模型，支持26.2万token上下文（可扩展至100万），Apache 2.0协议。Unsloth提供Dynamic GGUF量化方案，4bit仅需17–19GB内存，2bit可压至11–13GB，消费级显卡或24GB内存Mac即可本地部署。视觉能力原生集成，编码（SWE-bench Pro 61.7）、办公（CoWorkBench 70.7）及长视频理解表现突出。
智体新境｜从模型到端侧，Google AI 开发全链路升级
2026 Google 开发者大会集中展示 Google AI 在模型能力、多模态、智能体开发与端侧部署四个层面的最新进展。Gemini 3 系列与 Gemma 4 开放模型提供差异化选择；Gemini Omni Flash、Lyria 3 和 Live API 推进多模态交互；AI Studio、Antigravity 2.0 与 Gemini API 构建智能体开发闭环；MediaPipe Tasks、LiteRT-LM 与 LiteRT 形成分层端侧技术栈。
Meta 发布 Apache 2.0 许可的 30B 多模态智能体模型 Muse Glimmer，支持 24GB 消费级硬件本地运行
Meta 推出开源权重模型 Muse Glimmer（29.6B 参数），采用 Apache 2.0 许可证，专为本地自主智能体设计，支持文本-图像交错输入、工具调用与错误恢复，并可在 24GB VRAM 设备上量化运行。
微软开源Orchard：一个让AI智能体“动手干活”的统一平台
微软开源Orchard框架，提供统一的Orchard Env操作环境服务，支持AI智能体在代码、浏览器与通用计算机环境中执行真实任务。其核心价值在于标准化沙箱基础设施、预置主流Agent Harness、高效并行能力（1000环境/26秒）及三类落地Recipe（SWE/GUI/Claw），并开源107K条SWE轨迹与3K条GUI多模态数据集。
Qwen3.8-Max发布：2.4万亿参数MoE多模态模型挑战智能体计算前沿
阿里巴巴Qwen团队发布Qwen3.8-Max，2.4万亿参数混合专家多模态大模型，在OSWorld-Verified等智能体计算基准中超越GPT-5.6 Sol Max与Fable 5，并承诺下周开源权重；其长周期任务执行能力、计算机使用能力和经济性定价引发企业级智能体部署新讨论。
Thinking Machines 发布 Inkling-Small：2760 亿参数开源多模态模型，性能逼近旗舰版且仅需四分之一计算资源
Thinking Machines 推出开源多模态模型 Inkling-Small（2760 亿参数），在 Artificial Analysis 智能指数中仅比 9750 亿参数的 Inkling 低 1 分，多项编程与推理任务反超；支持文本/图像/音频输入，上下文达 100 万 token，采用 Apache 2.0 许可，需至少 4 块 B300 或 8 块 H200 GPU 部署。
Runway 将 AI 视频模型缺陷转化为前端功能：实时虚拟形象的工程实践
Runway 在开发实时视频模型 Runway Characters 过程中，将模型固有偏移缺陷转化为前端「优化图像质量」功能，通过图像自动居中规避问题。其工程实践强调跨职能评估数据集构建、知识蒸馏与对抗性后训练、全栈基础设施调试，以及将模型局限性产品化的思维转变。
Kimi-K3 正式开源：前端代码榜第一，只是它最先被看见的能力
Moonshot AI 开源 Kimi-K3，总参数近三万亿，原生支持视觉与百万级上下文，主打长周期 Agent 能力。它已在 Frontend Code Arena 榜单登顶，并在工程深水区（GPU 编程、芯片设计 EDA）、知识工作流（PDF/网页分析、报告生成）及多模态迭代（截图反馈→代码修正）中展现持续任务能力。其 MoE 架构与 Delta Attention 等技术支撑长程推理与状态保持。
你写给 AI 的"员工手册"，正在让它变蠢
Anthropic 将 Claude Code 系统提示词删减 80%，性能未受影响。65,000 token 的冗长说明书被证明存在指令冲突、上下文挤占与模型判断权剥夺等问题。团队提出六大范式转变：从硬性规则转向自适应匹配、从示例教学转向接口设计、从全量前置加载转向按需调用、从重复强调转向单一信源、从手动记忆管理转向自动记忆、从 Markdown 单一引用转向多模态上下文引用。核心转向是‘上下文工程’取代‘提示工程’。
Kimi K3 全量权重发布：开源权重但非完全开源，企业需审慎评估许可条款
月之暗面发布Kimi K3全量模型权重，含2.8万亿参数MoE架构、百万级上下文及多模态能力，并配套技术报告与部署工具。其许可证允许免费商用，但对年收入超2000万美元的‘模型即服务’运营方、或MAU超1亿/月收入超2000万美元的商业产品施加额外义务，包括另行签约与显著署名要求。内部使用豁免适用。
微软发布自研MAI系列AI模型，GPU成本最高降89%
微软发布MAI-Image-2.5-Pro与MAI-Voice-2-Flash两款自研模型，已投入Bing、PowerPoint、Dynamics 365等产品生产环境。图像模型在文本渲染等关键能力上突破，语音模型专注高吞吐低延迟场景。内部数据显示GPU成本最高降低89%，Excel中轻量编码模型MAI-Code-1-Flash经强化学习训练后性能媲美GPT-5.6。纳德拉提出‘前沿扩散’战略，强调模型可替换性与套件解耦。
Black Forest Labs发布多模态模型FLUX 3：支持20秒音视频生成与机器人动作预测
Black Forest Labs推出多模态模型FLUX 3，支持单提示生成最长20秒带同步音频的视频，并拓展至机器人动作预测；采用联合训练的统一架构（Self-Flow），而非拼接独立模态模型；当前仅开放早期访问，未公布定价、SLA、基准测试细节及可下载权重；开源版FLUX 3 Dev计划晚些时候发布，将覆盖视频、音频、图像与动作预测。