阿里云「AI 设计原生力」工作坊与 Skills 现场回顾
9月23日，阿里云智能设计中心「AI 设计原生力」Agentic Design 工作坊在云栖大会落地，围绕 AI 影像、Vibe Designing、Agent 产品设计与体验度量，探讨人与 Agent 协作的设计新范式。工作坊指出设计师价值正转向规则定义、系统构建与质量判断，现场展区还呈现 12 项覆盖界面生成、视觉规范与体验度量等环节的设计 Skills。
#多模态
#多模态
今日 0 条科普中国 · 阿虚同学AI 评分3030
Latent Space精选AI 评分7878 小米 MiMo-V2.6-Pro 1T-A42B 登顶开放权重模型榜单，训练成本 $3M
小米发布 MiMo-V2.6 系列原生全模态开放模型，MiMo-V2.6-Pro 以 1.02T 总参数、42B 激活参数登顶 Artificial Analysis 开放权重智能指数（46），另有 Flash 与最高 20x 提速的 Pro-UltraSpeed 版本。
推荐理由：小米以非传统大厂身份拿下开放权重榜首，并同步开放 RL 环境与训练配方，显示后训练正成为更便宜的能力跃升路径。
字节跳动技术团队AI 评分5656 火山引擎 AI MediaKit 如何实现视频字幕无痕擦除
火山引擎推出 AI MediaKit 理解式视频编辑引擎，升级视频字幕擦除能力。系统先通过多模态语义理解判断文字角色，决定擦除或保留，再由自研 ReFM 残差流匹配模型从原视频潜变量出发完成 4 步采样修复，避免从随机噪声重建带来的失真。新版支持 50 多种语种擦除，面向短剧出海与素材复用场景。
X精选AI 评分6565 用 Ling-3.0-flash-VL 接管运营复盘中最烦的图表读数环节
作者用自己 X 账号的后台截图实测了蚂蚁开源的 Ling-3.0-flash-VL，验证它在细粒度图表读数上的表现。底部 11 张卡片数值全部读对，双 Y 轴图 9 天 New follows 全部命中，跌幅前三名（Shares -100%、Bookmarks -84%、Likes -72%）排序正确，像素级核对后绝大多数误差在个位数以内。
推荐理由：作者用自己真实的 X 后台截图做像素级核对，验证了轻量多模态模型在细粒度图表读数上的可用性，也给同类重复劳动提供了可迁移的验证方法。
阶跃 StepFun · 官方公众号精选AI 评分7676 阶跃发布旗舰模型 Step 5 Preview，将于 10 月 15 日开源权重
阶跃 StepFun 发布面向真实世界 Agentic 任务的新一代旗舰基座模型 Step 5 Preview，即日起全量开放，并将于 10 月 15 日释放模型权重。
推荐理由：官方给出架构、参数规模与多项基准对比，读者可横向判断它与 Claude Opus 5 之间的成本能力取舍。
字节跳动技术团队AI 评分3737 日志服务 TLS AgentLoop：让多模态调用清晰可见
火山引擎日志服务 TLS AgentLoop 支持多模态内容展示，开发者可在消息和调用节点中直接查看图片，并与提示词、模型输出、工具结果沿同一条链路分析。媒体不再以 Base64 混入日志，而是由插件上传至对象存储 TOS 并在原消息位置写入媒体引用，避免日志超长截断与高存储成本。接入覆盖 Agent 运行时附件、客户自有 TOS 私有资源与 GenAI 标准多媒体消息三种来源。
XAI 评分6464 我用 Ling-3.0-flash-VL 把银行对账单和回单整理进经营管理系统
作者用蚂蚁百灵原生多模态模型 Ling-3.0-flash-VL 识别银行对账单与电子回单，按日期、金额和交易对手合并成 JSON，再经 n8n 写入 NocoBase 搭建的经营管理系统。
阿里云开发者精选AI 评分7777 DeepSeek-V4.1-Flash上线千问AI平台，API与Token Plan同步开放
DeepSeek-V4.1-Flash正式上线千问AI平台，API服务与Token Plan同步开放，开发者可在Qoder、千问APP、Codex等工具中调用。模型原生支持文本与图像理解，最长支持100万Token上下文，可用于代码开发、长文档处理、视觉理解和智能体任务。借助新一代缓存压缩技术，其HBM需求降至上一代模型的1/4、SSD存储需求降至1/8，部署基于vLLM开源社区适配完成。
推荐理由：原文列出了模型的多模态能力、100万Token上下文与存储需求降幅，读者可据此评估长上下文场景的部署成本。
阿里云开发者精选AI 评分7272 阿里云Token Plan个人版升级：加量不加价，新增12类Agent Harness工具
阿里云 Token Plan 个人版升级，Standard 与 Pro 套餐价格和 Credit 额度保持不变，新增覆盖搜索、网页解析、图像生成、语音处理、代码执行等 12 项 Agent 开发能力，工具均通过 MCP 标准协议开放，可直接接入自有 Agent 应用。
推荐理由：原文列出了各套餐新增的 MCP 工具与具体调用额度，读者可据此估算自己搭建 Agent 的月度成本。
DeepSeek 更新日志精选AI 评分8383 DeepSeek-V4.1-Flash 发布
DeepSeek 正式发布 DeepSeek-V4.1-Flash，这是其全新模型结构系列中最小尺寸的模型，具备原生多模态视觉理解能力，GPQA Diamond 得分 90.9，HLE 得分 36.8。
推荐理由：原文列出了新模型在推理、编码与多模态等基准上的成绩，并说明 API 调用方式与旧模型路由安排，读者可据此评估能力定位与迁移成本。
傅盛精选AI 评分7272 GPT-6 把 3D 建模玩明白了，9 个字复刻游戏场景
网友把游戏构想丢给 GPT-6 Astra，用 Codex 接 Blender MCP，45 分钟跑出一个可玩的 3D 游戏 Demo；作者照此方法只说九个字，30 分钟就在 Blender 里把照片场景复刻了七七八八。
推荐理由：文章汇总 GPT-6 在 3D 建模与游戏原型上的案例，并给出可复现的 Codex 加 Blender MCP 思路，便于读者判断这种能力对自己工作的冲击。
人民公园说 AIAI 评分3131 豆包到底能不能工作？产品老炮被 AI 骂垃圾，才发现是我不配！
一位产品老兵实测豆包的办公能力，结论是豆包可以工作，但自己的需求表达只配打 10 分。多轮任务总崩溃、命门在记忆，办公场景还得多模态补齐，本质仍是 Office 三件套的重做。把 AI 当管培生带、多烧 token 才能在第二把跑通。
傅盛精选AI 评分8181 GPT-6 终于发布，聊聊宣传背后的三个猫腻
OpenAI 发布 GPT-6 Astra，电脑操作、3D 建模与视觉表现明显进步，但第三方评测显示其编程与综合智能均未超过 Fable 5.1。
推荐理由：文章用第三方评测数据拆解 GPT-6 的实际能力边界，读者可以跳出发布会叙事，对照编程、成本与可用性自行判断。
十字路口 CrossingAI 评分5151 对数美万物创始人卷卷的 3 小时访谈：从抖音到 AI 3D 与制造业 OS 的野心
本期「十字路口」访谈数美万物创始人、CEO 卷卷（本名任利锋），近 3 小时长谈覆盖抖音从 0 到 1 的经验、AI 3D 创业与制造业 OS 野心。节目聊到数美万物最新发布的 Hi3D 3.0 2048³ 模型，卷卷认为基础模型不会吞噬一切，实体制造中真正困难的是模型之后的拆件、连接结构、材料适配与订单交付。
Google DeepMind精选AI 评分8080 Gemini 推出智能体视频理解能力，token 消耗最高降低 88%
Google DeepMind 在 Gemini 3.7 Flash、3.6 Flash 与 3.5 Flash-Lite 上线智能体视频理解能力，token 消耗最高降低 88%、成本最高降低 66%、准确度最高提升 7%。
推荐理由：原文给出最高 88% 的 token 降幅与 66% 的成本降幅，并说明按标准 API 计费、无额外功能费的开启方式，便于开发者评估接入成本。
傅盛AI 评分6363 fal.live 24小时AI直播让观众点菜，傅盛称AI视频拐点已至
fal上线24小时不间断AI电视台fal.live，剧情由观众实时投票决定、AI现场生成。其核心是后训练自MiniMax开源H3的H3 Max模型，5秒视频最快不到3秒生成，吞吐量约为fal官方MiniMax H3接口的35倍，768p标准价0.08美元/秒。作者认为生成速度快过播放速度让互动视频从预制走向现做，尽管目前仍存在人物形象不稳定等问题。
腾讯技术工程AI 评分5555 港科大（广州）联合腾讯提出 VibeWorlding，让多模态智能体自主构建与编辑 3D 世界
香港科技大学（广州）联合腾讯 AI 平台部提出 VibeWorlding 多模态智能体框架，让智能体通过多轮对话、调用工具与观察渲染反馈，自主构建和编辑交互式 3D 世界，同时开源了 VWE-Bench 评测基准、VibeWorlding-Gym 训练框架与 VibeWorlder 模型合集。
阿里云开发者AI 评分6464 Tarot Pixel 实践：AI 视觉还原的上下文工程与循环工程
Tarot Pixel 团队提出用上下文工程和循环工程两个方向提升 Coding Agent 的设计稿还原质量：先对设计稿做五阶段降噪，把节点数从 245 降到 113、单模块 API 调用从 15-25 次降到 5-10 次；再在 Skill 中内置做-看-改闭环，以 diff 百分比为验证器、20 轮为上限，用 Qoder 加 Kimi K3 等模型逐步收敛到视觉一致。
Google DeepMind精选AI 评分8080 Gemini Omni 1.1 Flash 发布，带来更强创意控制与生成视频能力
Google DeepMind 发布 Gemini Omni 1.1 Flash，为开发者带来一套新的创意控制与生成视频能力，可通过 Gemini API 在 Google AI Studio 或企业 Agent Platform API 使用。
推荐理由：相比此前只能参考最后一秒，Omni 1.1 可分析最多 10 秒前文，场景延长以 10 秒为步进累计至 40 秒，读者可据此判断它对连续叙事工作流的价值。
翔宇工作流AI 评分6161 豆包工作上线：配 24 小时不关机云电脑，登录送 30 天会员
字节上线桌面 Agent「豆包工作」，为每个用户配一台 24 小时不关机的云电脑，电脑关机、断网都不影响 Agent 任务运行。作者实测它靠多模态视觉完成网页签到，并把 26 分钟视频转成 10 页 Word 笔记存入飞书，仅消耗 2.37 额度；对话记录与 Skill 多端同步，手机可远程控制电脑，登录即送 30 天完整会员。
阿里云开发者精选AI 评分7979 Qwen3.8-Flash 上线千问 AI 平台，每百万 Tokens 输入 0.8 元
千问 AI 平台上线 Qwen3.8-Flash，API 每百万 Tokens 输入 0.8 元、输出 2.7 元、缓存命中 0.1 元。该模型为多模态 MoE 架构，千亿总参数仅激活 60 亿，引入 QSA 机制与 Gated Residual，在高缓存命中的 1M Tokens 长上下文场景中提速 8 倍以上。模型权重已在 Hugging Face 与魔搭社区开源，千问办公标准模式也已内置。
推荐理由：原文列出了 Qwen3.8-Flash 的架构创新与分层价格，读者可据此评估长上下文 Agent 任务的调用成本。
智谱 · 官方公众号精选AI 评分8383 智谱上线并开源 GLM-5.3-Flash，前沿智能进入普惠时代
智谱上线并开源 GLM-5.3-Flash（320B-A18B），这是 GLM-5 系列首个原生多模态模型，AA 综合智能指数取得 57 分，与 Claude Opus 4.8 持平，定价为 GLM-5.3 的 1/10、限时折扣内 1/20、Opus 4.8 的 1/40。
推荐理由：原文给出与 Claude Opus 4.8 的能力与价格对照，以及混合注意力架构的降本路径，可据此评估前沿模型的成本走向。
阿里云开发者精选AI 评分7474 Wan3.0 正式上线千问AI平台
视频生成模型 Wan3.0 正式上线千问AI平台，单次可生成30秒视频，并首次支持 doc、xls、ppt、pdf、md 等文档格式输入。自8月6日公测以来，Wan3.0 在跨镜头一致性、人物质感与真实世界还原方面获得短剧、广告、文旅等行业用户反馈。480P/720P/1080P 的 API 价格分别为 0.3/0.6/1.2 元/秒，8月24日至9月23日开启限时7折优惠。
推荐理由：原文给出了 Wan3.0 的生成时长、文档输入能力与 API 定价，可据此判断视频生成模型在生产流程中的落地进展。
DeepSeek 更新日志精选AI 评分7575 DeepSeek-V4-Flash-Vision-Exp 发布
DeepSeek API 平台上线实验性多模态视觉理解模型 DeepSeek-V4-Flash-Vision-Exp，用户可通过 model='deepseek-v4-flash-vision-exp' 访问。
推荐理由：原文列出了新模型与 DeepSeek-V4-Flash 及 Opus-4.8 的对比基准，读者可据此判断其在多模态 Agent 任务上的水平。
Microsoft ResearchAI 评分4747 MindTopo 揭示 VLM 的空间推理能力
Microsoft Research 推出拓扑推理基准 MindTopo，评估多模态模型在连通性、包围、顺序、分离与打结五类拓扑关系上的推理与规划能力。测试显示，当前多模态模型在静态识别任务上表现明显优于交互式规划任务，两者均远低于人类水平，且错误多发生在规划阶段而非感知阶段。该基准为机器人和交互环境中的 AI 系统提供了可控诊断工具。
Google DeepMind精选AI 评分8585 Google DeepMind 发布 SL2T 手语转文本模型，登陆 Pixel 11 的 Gboard 与 Live Transcribe
Google DeepMind 发布大规模多语言手语转文本模型 SL2T，让手语 AI 首次走出实验室进入消费级产品：SL2T 驱动 Pixel 11 上 Gboard 与 Live Transcribe 的手语转文字功能，首发支持美国手语（ASL）转英语，更多设备与语言将陆续跟进。
推荐理由：SL2T 以姿态关键点而非原始视频做端到端翻译，并进入 Gboard 与 Live Transcribe，可看作无障碍交互从实验室走向消费级产品的样本。
阿里云开发者AI 评分5656 千问AI Arena 上线：给 Agent 一个真实的战场
阿里千问AI平台正式上线“千问AI Arena”，一个面向 AI Agent 的挑战与评测平台，从真实业务中持续产生挑战任务并公开评测打榜。首个任务由千问AI平台与 Aidge 联合发起，聚焦跨境电商商品上架，要求开发者构建可独立运行的 Agent，一次生成面向美国、韩国和巴西三个市场的英语、韩语、葡萄牙语商品文案及主图、详情图和商品视频。
Microsoft ResearchAI 评分5050 Microsoft Research 发布 CARE-X：迈向临床实用的放射学 VLM，结合辅助监督、奖励对齐学习与工具增强测量
Microsoft Research 提出 CARE-X：一个用于胸部 X 光多任务临床解读的统一 VLM，通过生成式与双推理模式同时输出自由文本推理和确定性预测。
翔宇工作流精选AI 评分7171 LibTV＋Seedance 2.5 实测：30 秒一镜到底，Vlog 真假难辨
Seedance 2.5 发布，单段视频直出时长从 15 秒翻倍至 30 秒，支持两次视频延长、最长 90 秒，参考素材上限从 12 个提升到 50 个（30 张图片＋10 段视频＋10 段音频）。
推荐理由：文章对比 Seedance 2.0 时代的长镜头拼接痛点，拆解 30 秒直出、片段重拍与智能引用如何改变 AI 视频制作流程。
晚点聊 LateTalkAI 评分5151 姚顺雨来到腾讯 300 天：混元改革、微信 WeLM 与中国大模型竞争
《晚点聊》第 176 期邀请《晚点 LatePost》主笔高洪浩，聊他报道的姚顺雨空降腾讯混元 300 天带来的组织改变。播客补充了文章未详述的议题：微信 WeLM 与混元大概率长期并存，以及两者未来可能的联动融合。两人还从腾讯延伸到中国大模型竞争，讨论第一梯队模型能否定义胜负、AI 商业化从程序员走向白领的下一轮拐点。
Google DeepMind精选AI 评分6161 Google DeepMind 在 Google Flow Music 发布 Lyria 3.5，改进音乐性、歌词、人声与创作控制
Google DeepMind 发布最新音乐生成模型 Lyria 3.5，今日起在 Google Flow Music 中推出。模型在音乐性、歌词与人声三方面均有改进，歌词的提示词遵循度和结构感知提升，人声更真实且发音改善。用户可更方便地控制输出节奏与时长。
推荐理由：官方列出了 Lyria 3.5 在音乐性、歌词与人声上的改进及节奏、时长控制，可据此对照 Google 音乐生成能力的当前水位。
Google DeepMind精选AI 评分7474 Google DeepMind 发布 Gemini Robotics 2：为机器人带来全身智能
Google DeepMind 发布 Gemini Robotics 2，通过三个模型为机器人带来全身智能、灵巧操作和多机协同能力。该系统可控制完整人形机器人执行耗时数分钟的多步任务，ER 2 推理模型已在 Google AI Studio 上线，On-Device 2 端侧模型仅需几小时即可适配新本体。
推荐理由：官方公布了全身控制、灵巧操作与多机协同能力，并给出端侧几小时适配新本体的指标，适合评估具身智能进展。
阶跃 StepFun · 官方公众号AI 评分2626 阶跃 StepFun WAIC 2026 展区亮点抢先看：Step AOS 与智能体手机 STEPX Neo 首次线下亮相
阶跃 StepFun 将在 WAIC 2026 集中展示 Step 系列模型矩阵与全球首个智能体原生操作系统 Step AOS。荣获本届 WAIC “镇馆之宝”的智能体手机 STEPX Neo 首次线下公开亮相，展区位于上海世博展览馆 H1 馆 C107。阶跃还携手吉利、千里科技升级汽车智能体（上极氪8X），并与原力灵机挑战 6 台机器人连续协作 15 小时拼装 8 万余块积木长城。
阶跃 StepFun · 官方公众号AI 评分6363 阶跃发布 Step Edge 端侧模型全家桶
阶跃发布端侧模型家族 Step Edge，包含基础模型、Step Edge Audio、Step Edge GUI 和 Step Edge Gen，面向手机、汽车等终端场景。该系列支持低至 0.1 秒的端侧本地 toolcall 执行，多模态信息可在本地处理以保护隐私，并配套自研 Step Inference NPU 引擎优化推理延迟。官方称其在 29 项核心评测指标中取得第一。
科普中国 · 阿虚同学AI 评分2424 D20 AI 云智能分论坛「GO Vibe Designing」精彩现场回顾
D20 2026「AI+云智能专场 Go Vibe Designing」分论坛在阿里巴巴全球总部举办，探讨 AI 时代设计师身份与创作方式的变化。阿里云设计中心总监王路平指出，工具门槛被拉低后，问题已转向设计师如何重新确认专业价值。
人民公园说 AIAI 评分7272 GPT-5.6 来了：OpenAI 开始造超级 App，中美 AI 正在交换剧本
这期播客认为 GPT-5.6 表面上是小版本更新，实际是 OpenAI 把 ChatGPT、Codex、GPT Live 和 ChatGPTWork 整合进同一入口、转向超级 App 的一次产品换轨。节目同时指出中美 AI 路径正在倒置，美国走向中心化而中国围绕飞书和模型生态分工，模型可替代时代入口与用户心智比榜单排名更关键。
科普中国 · 阿虚同学AI 评分3232 阿里云智能设计 Go Vibe Designing 设计展现场报道
阿里云设计中心联合产学研合作院校呈现的“Go Vibe Designing!”设计展于今日开展，探索 Agentic AI 设计体系与流程构建。展区呈现 2026 年产学研协同育人项目代表性案例，院校基于 Vibe Designing 指南探索 Qoder、Qwen、Wan 等 AI 工具在设计流程中的应用。
科技早知道AI 评分4242 为什么硅谷开始重新定义「AI 记忆」｜科技早知道 S10E20 对话 Clipto.AI 创始人
Clipto.AI 创始人康洪文指出，Context Window、RAG、LoRA 微调三条记忆路径都未跳出大模型 MLE 框架，只能提供概率性记忆。他的端侧多模态产品本地 100% 运行，10 个模型协同将裸数据结构化，构建时空对齐、支持文本和语音查找的个人记忆系统。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 Gemma 4 12B：统一的无编码器多模态模型
Google DeepMind 发布 Gemma 4 12B，一款可在笔记本本地运行的多模态模型。该模型采用无编码器统一架构，视觉与音频输入直接进入 LLM backbone，仅需 16GB VRAM 或统一内存即可运行，性能接近 26B MoE 模型。它是该系列首款支持原生音频输入的中型模型，已采用 Apache 2.0 许可证开源。
推荐理由：官方给出了 16GB 内存即可本地运行的规格，以及与 26B MoE 模型的性能对比，便于开发者评估端侧部署方案。
AIGC WeeklyAI 评分3535 AIGC Weekly #174：Krea 2、Ideogram 4.0、Reve 2.0 与 MAI-Image-2.5 发布
Krea、Ideogram、Reve 与微软相继发布 Krea 2、Ideogram 4.0、Reve 2.0 及 MAI-Image-2.5 图像模型。Ideogram 4.0 为 9.3B 开源模型并支持结构化 JSON 提示词，Reve 2.0 则实现原生 4K 输出与图层级编辑。