文章介绍了智谱 GLM-5.3-Flash 模型的发布。该模型总参数量 320B、激活 18B，采用稀疏与线性注意力混合架构，注意力计算量降低 3 倍，支持 1M 上下文。作为 GLM-5 系列首个原生多模态模型，其最大亮点是视觉能力被直接纳入 Coding 循环，模型可观察网页截图、渲染结果和交互反馈，自主发现并修正问题，实现“生成—检查—迭代—交付”的完整闭环。文章还展示了其在游戏开发、3D 建模、办公文档和法律金融场景的应用，并给出 API 使用细节，认为大模型竞争正从回答质量转向完整工作的交付质量。
匿名模型 Ox Alpha 揭晓为智谱 GLM-5.3 Flash，320B 参数、MIT 开源、原生多模态、1M 上下文，限时价格仅为 Opus 4.8 的 1/40。作者通过三个前端场景实测：仅凭一张图用 Three.js 复刻玻璃折射海报、看录屏视频还原 60 片玻璃螺旋彩带交互网站、将静态体素海报改造为滚动揭示的 3D 网页，均表现出顶级多模态理解与代码能力，远超同价位的 DeepSeek V4 Flash，接近 Fable 5 但便宜约百倍。作者认为其把'便宜又够用'的行业斩杀线大幅推进，让预算有限的创作者也能用上前沿智能。
DeepSeek 发布实验性视觉模型 DeepSeek-V4-Flash-Vision-Exp，在 V4 Flash 基础上增加识图能力且价格不变。作者通过 DeepSeek Harness 接入该模型，完成了 OCR 识别、人物识别、iPhone 机型辨别、找不同、图片转 ASCII、报错修复、前端页面复刻、数据报表逻辑分析共 8 项测试。结果显示其 OCR 和找不同表现优秀，但人物识别、机型辨别和页面复刻存在明显失误。整体可用且性价比极高，一张图约 0.12 分钱，八轮测试仅花约 6 元，而同等测试用 Opus 5 需约 8 美元。这是 DeepSeek 迈向原生多模态的重要一步。
智象未来发布 HiDream-O1-World，定位为全球首款原生全模态交互式世界模型。它提供漫游、编辑和交互三类核心能力，用户可自由探索视角、通过文字语音实时改变场景与角色行为。技术上依托 3D 先验注入 Memory 上下文与 TTT 机制解决时空一致性与物理一致性，其 DreamWorld 论文被 ECCV 2026 录用。该模型在 WBench 榜单综合得分 80.9 位列第一，未来可应用于互动影游、具身智能仿真等方向，标志着 AI 从生成画面走向生成世界。
本文系统梳理了2026年Agent评估领域的全景图，指出Agent Eval正从'任务能否完成'转向'结果是否有效、过程是否可靠、系统是否值得部署'。文章从通用Agent、软件工程、GUI与SaaS、工具与事务、知识工作（Deep Research、数据分析、预测）、多模态内容生产、科研优化、组件与记忆、多Agent系统等赛道，介绍了代表benchmark及其演进，并强调了可靠性、成本、轨迹审计与证据包成为评估的新基本单位。
文章提出'科学突破机器'概念：无需先实现AGI，通过范围受限的自我改进循环（sub-RSI loop）即可在特定问题上模拟ASI效果。作者团队将其应用于DeepEarth——一个多模态时空世界模型，用于全球环境智能。系统通过共享记忆、快速筛选实验预算、基于不变量的验证与计分卡机制，让智能体集群自主进行假设、实验与迭代。最终将模型调和均值从0.016提升至0.407，实现约25倍的能力提升，并发现单一编码器的改进未必带来融合能力的提升，环境信号（如AlphaEarth卫星嵌入）是最大杠杆。
本文实测了最新开源的Qwen3.8-27B模型，该模型基于Qwen3.5架构训练，量化后可在24G消费级显卡上运行，性能媲美Qwen3.7-Plus。作者详细介绍了通过Unsloth在Mac和4090上的本地部署流程，并演示了接入桌面Agent后的工具调用、Skill使用、发票整理、图片翻译、PPT生成等场景。实测表明，该模型在复杂办公、长文档和多轮Agent任务中表现出色，是本地部署的极佳选择。
针对文本模型无法直接生成多媒体内容的问题，本文提出了一种分层解决方案：利用 DeepSeek 生成结构化的画面描述，通过接入第三方聚合 API 处理图像和视频生成，最后交由 Agent 工作台串联完整流程。文章详细演示了如何调试接口并将验证成功的流程封装为可复用的 Skill，从而极大提升后续多模态内容生成的效率。
MiniMax H3 开源系统通过封装9个开箱即用的官方技能，将专业视频制作流程产品化。核心技能h3-prompt-writing负责将多模态需求转化为标准提示词，另外8个风格技能则覆盖极简广告、3D动画、定格科普等特定场景，拆解了导演级的工作流。实测表明，技能能大幅降低提示词编写门槛，且推荐使用云端部署，单条视频成本仅约0.6元。
作者开发了名为ModLens的工具，以“能力包”形式免费为DeepSeek等纯文本大模型增加图片识别能力。该工具接入简单，支持配置多个免费视觉引擎（如Gemini等）实现自动故障转移。实测表明，它能精准读取截图、照片及密集图表，并诚实反馈无法确认的信息。该工具仅需安装在本地AI Agents中即可大幅扩展纯文本模型的实用性。
文章深度解析了AI视频模型Seedance 2.5的核心升级。相比2.0追求短视频爆款的自主发挥，2.5将目标对齐电影工业标准，具备极强的指令遵循能力，支持原生30秒视频输出及海量参考素材。通过提升画面美术质感、物理空间稳定性和声音细节，2.5实现了真正的“电影感”。此外，该模型不仅能颠覆影视预演工作流，更能为具身智能提供低成本训练数据。作者指出，随着技术普及，审美判断力、资产构建能力和优秀的故事内核将成为未来最稀缺的能力。
Cherry Studio 2.0 正式发布，此次更新不仅是 UI 的调整，更是底层架构的重大重构。文章详细阐述了产品从聊天客户端向 AI 工作平台和 Agent 平台的演进，包括引入数据库存储、优化 Windows 兼容性、整合多模态能力以及构建 Code Mate 编码搭档，旨在让 Agent 更简单、可靠地进入日常工作流。
商汤发布SenseNova U1.5-Lite-Preview，轻量升级版在图像生成与编辑能力上大幅提升，支持4K图像生成，超越U1并比肩商用闭源模型。
DeepSeek-V4-Flash虽性能卓越且价格低廉，但缺乏原生视觉能力。文章介绍了五种为其“装上眼睛”的方法，包括官方识图模式、视觉MCP、Codex视觉代理、Hermes内置路由及手动OCR。建议根据使用频率选择合适方案，并优化视觉提示词以确保信息提取准确性。
作者分享了为 deepseek-v4-flash 开发的两个 skill：一个增加免费视觉能力，另一个通过 antigravity cli 借道 google 实现联网搜索和网页解析。尽管 deepseek-v4-flash 官方已支持搜索，但作者认为其效果不如 google，并提供了禁用官方搜索的方法。源码已开源。
本文介绍如何将 Hermes Agent 接入微信，通过配置 STT、TTS、视觉模型及生图工具，打造具备语音交互、视觉理解和状态分享功能的专属 AI 助手。
MiniMax 发布通用多模态生成模型 H3，支持文本、图像、视频和音频的统一理解与生成。H3 可生成原生立体声的 2K 分辨率视频，具备优异的指令遵循和精准编辑能力，并计划近期开源模型权重，旨在打破任务边界，降低成本，加速商业化内容创作。
上海交大团队推出的大模型实战开源课程，在GitHub获4.6w+ star。课程从零开始设计，包含API调用、模型微调、多模态开发等模块，配套在线实验环境，适合系统学习大模型知识。
文章探讨了超越传统提示词的多模态交互技术，提出“任务”概念，通过结合语音、屏幕、文本等多种信息源，让代理更高效地完成复杂工作。该方法减少交互循环，提升并行工作能力，并通过存储执行痕迹逐步转化为可重用的技能，为未来全模型交互奠定基础。
腾讯正式推出设计Agent平台Miora，由WorkBuddy团队打造。该平台支持品牌设计、UI设计等五大场景，具备模型切换、技能市场和项目记忆功能。作者实测了品牌VI全案生成，展示了其在设计工作流中的潜力，标志着设计Agent进入白热化竞争阶段。
本文从深度流形视角分析 Thinking Machines 的多模态模型 Inkling。探讨了模态早期耦合、放弃 RoPE 的几何意义、Muon 的归一化作用以及大规模强化学习对流形同调的影响，提出了关于数据耦合和训练稳定性的开放问题。
作者分享了使用 Kimi K3 模型的实际体验，通过 3D 坦克大战游戏、权力游戏地图动画和教学视频制作三个案例，展示了其在多模态和复杂任务处理上的强大能力。文章指出 K3 提供了 Claude 和 Codex 之外的优质选择，且具备合规性优势，但同时也面临算力短缺的局限。
PixelRAG 是一种开源的视觉化网页检索技术，通过直接截图并使用视觉模型分析像素，而非依赖 HTML 解析，从而避免信息丢失。它构建了 3000 万维基百科截图的视觉索引，在问答任务上超越传统文本 RAG 基准 18.1%，并支持 Claude 代码插件。
本文评测了全新上线的 Kimi K3 模型。作者选取了 3D 玻璃折射、WebGL Shader、视差滚动及家具网页动效四个高难度前端场景，与 Claude Opus 4.8 进行对比。结果显示，K3 在多模态理解和自检修正上表现优异，能以 Sonnet 级价格提供接近 Opus 的性能，整体表现惊艳。
李博杰新书《深入理解 AI Agent：设计原理与工程实践》开源，涵盖从0到1构建生产级AI Agent的原理与代码，包括RAG、工具调用、多Agent协作等实战内容。
文章详细解读了 OpenAI 的最新更新，包括 GPT-5.6 模型家族的发布、GPT-Live 全双工语音交互的引入，以及 ChatGPT Work 和 Codex 的深度整合。核心观点是 ChatGPT 正从单一的问答机器人进化为包含规划、多代理协作、代码执行和语音交互的“AI 工程工作台”。文章还针对 Codex 用户提供了模型选择建议。
本文是一份针对小白的 Codex 终极使用教程。文章首先指出了 Codex 在多模态和办公场景（如生成 PPT）相较于 DeepSeek V4 的优势，详细介绍了如何通过 CC Switch 工具将性价比高且原生支持多模态的 Kimi 模型接入 Codex。此外，作者还分享了通过 Skill 功能将工作流程固化并设置定时任务的实战案例，旨在帮助用户将重复性工作自动化，极大提升职场效率。
文章介绍了如何利用阿里云魔搭 ModelScope 每日 2000 次的免费 API 额度，将其接入 Agent 工作流以降低 AI 创作成本。作者详细讲解了账号注册、API Key 获取、模型筛选与调用的全过程，并开源了一个名为 `tiezhu-modelscope-api-inference` 的 Skill，实现了自动额度管理和多模态任务处理。
文章指出提示词时代正在退场，掌握“喂料能力”才是 AI 视频创作的关键。作者以 Seedance 2.0 为例，详细介绍了四模态（图、视频、音频、文本）的混合喂料方法，阐述了如何通过分别控制长相、运镜、情绪和剧情来提高出片稳定性。此外，文章推荐了 Edimakor 工具来实现从素材生成到后期缝合的工业化工作流。
xAI 发布 Grok Build 并向 X Premium+ 用户开放。这款终端 AI 编程工具是 Claude Code 的竞品，支持 Windows/Mac/Linux 安装。文章介绍了安装方法及使用案例，包括生成图片、视频、浏览推文和生成网页，特别强调了其独特的视频生成能力。
