標籤：多模態AI

LFM2.5-VL-DSpark：以推測解碼加速視覺語言模型

Liquid AI 為 30 億參數的視覺語言模型（VLM）LFM2.5-VL-3B 發布實驗性 **DSpark dr

Gemini 3.8 Live Avatar：視覺化即時代理與不中斷對話

Google DeepMind 將 **Live Avatar** 加到 Gemini 3.8 Live：它不是另一個獨

AgentClinic：多模態臨床工具代理基準測試

AgentClinic 是評估「會使用工具的臨床 AI agent」的多模態基準。它不把醫療能力簡化為單題問答，而是模擬

Gemini 3.8 Live：平行推理與不中斷的企業語音代理

Google DeepMind 發布 **Gemini 3.8 Live** 與 **Gemini 3.8 Live E

ChatGPT Images 2.5：參考圖、多輪精修與創作控制

OpenAI 於 2026 年 9 月推出 **ChatGPT Images 2.5**，重點不只在「生成得更漂亮」，而

Gemini 代理式影片理解：主動取樣降低長影音分析成本

Google DeepMind 推出 Gemini 的「代理式影片理解」（agentic video understan

NeoMME：單塔多模態多語言編碼器與視覺文件檢索

H Company 與 Hugging Face 發表的 **NeoMME** 是一組 260M、800M 參數的多語言

Gemini Omni 1.1 Flash：以更高控制度打造應用

Google DeepMind 在 2026 年 8 月 27 日發布〈Gemini Omni 1.1 Flash le

LeRobot v0.6.0：世界模型、評估框架與端到端機器人學習閉環

LeRobot v0.6.0 於 2026 年 7 月 7 日發布，以「想像（Imagine）、評估（Evaluate）

Photoroom PRX 資料策略：訓練圖像生成模型的完整資料管線

Photoroom 在 Hugging Face 部落格發表的 PRX 系列第四篇，詳述他們訓練自家文字生成圖像模型（P

Nano Banana 2 Lite 與 Gemini Omni Flash：Google 圖像影片生成雙模型

Google DeepMind 於 2026 年 6 月 30 日發布兩款針對速度與成本優化的生成式 AI 模型：**N

Gemini 3.5 Flash Computer Use：從獨立模型到內建工具

Google DeepMind 於 2026 年 6 月 24 日宣布，將「電腦使用（computer use）」功能正

PP-OCRv6：VLM 時代的輕量多語言 OCR 新標竿

PP-OCRv6 是 PaddlePaddle 團隊於 2026 年 6 月 22 日發布的新一代 OCR 系統，核心命

功能感知機器人抓取：MLLM推理驅動框架

**論文資訊**

MolmoMotion：語言引導的 3D 運動預測框架

AI 在運動領域長期面臨一個根本不對稱：感知（辨識已發生的動作）比預測（推斷即將發生的動作）容易得多，但實務應用幾乎都需

Gemini 3.5 Live Translate：70 語言近實時語音翻譯

Gemini 3.5 Live Translate 是 Google DeepMind 於 2026 年 6 月 9 日

Hugging Face Spaces agents.md：AI Agent 組合多媒體服務的新標準

Mitchell Hashimoto 提出的「構建塊經濟」（Building Block Economy）指出：軟體開發

Gemma 4 12B：統一無編碼器多模態模型

Google DeepMind 於 2026 年 6 月 3 日發布 Gemma 4 12B，定位為首款中型無編碼器（e

Nemotron 3.5 Content Safety：企業多模態 AI 內容安全的可定制解決方案

NVIDIA 於 2026 年 6 月在 Hugging Face 發布 Nemotron 3.5 Content Sa

Reachy Mini 本地語音管道：機器人完全離線 Speech-to-Speech 實作

Hugging Face 於 2026 年 5 月 27 日發布的這篇教學，示範如何讓 **Reachy Mini**（

PaddleOCR 3.5 整合 Transformers 後端

PaddleOCR 3.5 在 2026 年 5 月 18 日發布，核心改變是將 Hugging Face Transf

多任務視覺Transformer：AI生成圖像同步偵測與生成器歸因

以擴散模型（Stable Diffusion、DALL·E 3、Midjourney）為代表的生成式 AI 快速演進，使

QFGT：量子邊緣聯邦圖形Transformer的生成式因果數位孿生醫療

醫療 AI 的下一個演化方向，不再只是預測（「這位患者未來 30 天住院風險是 X%」），而是理解**因果**（「是哪個

Multi-Domain Perception Transformer：跨域特徵融合 Deepfake 偵測

隨著生成式 AI（AIGC）技術快速演進，合成圖像在解析度與語意一致性上已逼近真實照片，使人眼辨識幾乎不可能。傳統 De

跨模態漸進微調：視頻基礎模型應用於野火時空蔓延預測

野火已成為氣候危機最直接的破壞力之一。精確的時空蔓延預測攸關疏散時機與消防資源調度，但現有方法多依賴靜態物理規則或單一時

OpenAI 語音智慧躍升：GPT-Realtime-2 三模型解析

2026 年 5 月 7 日，OpenAI 在 API 中推出三個全新即時語音模型，標誌著語音 AI 從「呼叫—回應」模

MedGPT-oss：20B 開源生醫多模態語言模型

生醫多模態 AI 長期面臨一個結構性矛盾：效能最強的系統（如 GPT-4V、Gemini Ultra）幾乎全為閉源，醫療

多模態視覺語言模型的人類中心區域自適應

當前主流視覺語言（Vision-Language, VL）模型——無論是大型語言模型搭配視覺編碼器、文字轉圖片擴散模型，

MVL-DemGen：失智症多模態視覺語言篩查模型

失智症（Dementia）是以漸進式認知退化、行為改變與記憶喪失為核心特徵的神經系統疾病，全球受影響人口超過 5500

單模態 LLM 作為多模態 VLM 的偏好教師

讓視覺語言模型（VLM）具備更豐富的多模態理解能力，傳統做法是收集人類偏好標注資料，再透過 RLHF 或 DPO 進行對

NVIDIA Nemotron 3 Nano Omni——長上下文全模態模型

NVIDIA Nemotron 3 Nano Omni 是 Nemotron 多模態系列的最新一代，從原本的視覺語言模型