策展精選

Claude Opus 4.7 在「Document Arena」與「Vision Arena」奪冠，領先幅度驚人。 「Arena.ai」公布最新排行，AnthropicAI 的「Claude Opus 4.7」在「Document ...

FlashDrive實現視覺語言動作模型即時推理，端到端延遲從716ms降至159ms，加速4.5倍無精度損失。 FlashDrive是針對自動駕駛的視覺語言動作（VLA）模型推理優化框架，由Zekai Li、Yihao Liang、...

Anthropic推出Claude Design，透過Claude Opus 4.7視覺模型，讓使用者對話式生成原型、簡報與一頁式文件。 Anthropic Labs於2026年4月17日發布Claude Design研究預覽版，限C...

中文書法是一項前沿任務 前沿模型（Frontier models）能夠掌握中文書法的藝術嗎？我們向它們發起挑戰，要求它們重現 20 位書法大師所寫的 88 個高難度漢字。 動機：受限的美學操縱 前沿模型在工具使用、數學和程...

Ai2 發布 MolmoWeb 開源視覺網頁 Agent 與完整訓練資料。 Ai2 推出 MolmoWeb，這是一套完全開源的多模態網頁 Agent，旨在打破當前頂尖網頁 Agent 多為封閉模型的現狀，提供從訓練程式碼到評估工具的完...

Liquid AI 發布 LFM2.5-VL-450M 模型，實現邊緣裝置上的即時視覺推理與結構化輸出。 Liquid AI 近期推出 LFM2.5-VL-450M，這是一款專為邊緣裝置設計的視覺語言模型 (VLM)，旨在透過單次推論...

Meta 發布 Muse Spark 多模態推理模型。 Meta Superintelligence Labs 推出 Muse Spark，這是其「個人超級智慧」願景下的首款原生多模態推理模型，具備工具使用、視覺思維鏈及多 Agent...

Vero：用於視覺推理的開源強化學習配方。 Vero 是一套針對視覺語言模型 (VLM) 的全開源強化學習 (RL) 訓練配方，旨在解決跨領域視覺推理任務，並透過大規模資料與任務路由獎勵機制，實現了超越現有模型的效能。 核心挑戰...

SimpleStream 證明僅靠近期影格即可超越複雜的串流影片理解模型。 SimpleStream 研究指出，現有串流影片理解模型過度依賴複雜的記憶機制，透過僅輸入最近 N 個影格的簡單滑動視窗基準，即可達到甚至超越現有 SOTA ...

Google 發布 Gemma 4 開放模型系列，支援多模態與邊緣運算。 Google DeepMind 推出 Gemma 4 多模態模型系列，具備 Apache 2.0 開源授權，並針對從邊緣裝置到高效能伺服器等各種場景進行了全面優...

Z.AI 推出 GLM-5V-Turbo 多模態程式開發模型，實現視覺化程式撰寫與 Agent 工作流整合。 GLM-5V-Turbo 是 Z.AI 首款專為視覺化程式開發設計的基礎模型，具備原生多模態處理能力，能直接理解圖像、影片及...

微軟發布三款 MAI 模型，以高效能與高性價比搶攻開發者市場。 微軟於 2026 年 4 月 2 日宣布推出三款全新的「MAI」系列模型，並同步開放於「Microsoft Foundry」與「MAI Playground」供開發者使用...