近年来，多模态大语言模型（Multimodal Large Language Models, MLLMs）在图文理解、视觉问答等任务上取得了令人瞩目的进展。然而，当面对需要精细空间感知的任务 —— 比如目标检测、实例分割或指代表达理解时，现有模型却常常「力不从心」。
智东西10月15日报道，今日，阿里通义千问团队推出其最强视觉语言模型系列Qwen3-VL的4B与8B版本，两个尺寸均提供Instruct与Thinking版本，在几十项权威基准测评中超越Gemini 2.5 Flash Lite、GPT-5 Nano等同级别顶尖模型。
前端UI的工作，被谷歌AI一夜干没了。 就在最新能力展示中，Gemini 3.0 Pro居然自己“捏”出了一个macOS。
在几天前的开发者大会上，OpenAI 发布了一套面向开发者和企业的完整工具集 AgentKit。其中，可视化画布 Agent Builder 用于创建、管理和版本化多智能体工作流，通过拖拽节点的方式即可编辑工作流。
扩散语言模型（Diffusion Language Models，DLM）一直以来都令研究者颇感兴趣，因为与必须按从左到右顺序生成的自回归模型（Autoregressive, AR）不同，DLM 能实现并行生成，这在理论上可以实现更快的生成速度，也能让模型基于前后文更好地理解生成语境。
全球首个AI Agent交易市场MuleRun（骡子快跑）正式上线，面向所有用户开放使用。MuleRun的Logo是一个像素风骡子，平台上集合了不同类型的多个Agent。Agent的创作者多为各领域中懂得某个具体流程、有经验的人，他们将自己的技能变为工作流后做成Agent。
模型众多，该如何选择？ GPT-5：OpenAI的最新旗舰模型，统一智能系统，GPT-5 集成了多个模型，自动根据任务复杂度选择最适合的模型进行处理，多模态首选。 GPT-5 Thinking：GPT
8 月榜单，最值得关注的变化是 Lovart 的访问量上升，8 月访问量上涨了 68.08% 至 323w，进入榜单。Lovart，读者想必已经熟悉，是奇点星宇的另一款 AI 视觉类产品，其产品核心设计为画布+对话框+编辑工具箱，也就是用户指导 AI 干活，
这几天，关于「微调已死」的言论吸引了学术圈的广泛关注。一篇来自斯坦福大学、SambaNova、UC 伯克利的论文提出了一种名为 Agentic Context Engineering（智能体 / 主动式上下文工程）的技术，让语言模型无需微调也能实现自我提升！
写给正在落地 AI 产品的工程师。一些代码直接可改造复用；另一些，是我踩坑后的经验之谈。
