搜索
vLLM Semantic Router推出并开源Decision 3.0系列多模态决策模型，覆盖0.6B至27B六款模型，其中d3在Jev Decision Index 0.3.1文本榜和视觉榜均排名第一。
对着屏幕说一句 “向左转”，画面随即展开新的视野；调整角色的动作，场景紧接着给出反馈。多模态交互要求视觉生成跟上人的操作，而漫长的等待会打断整个体验。
多模态模型的视觉原生Harness，来了！
VA-Bench测试12个主要多模态模型发现，Qwen3.8-max、Opus-5和GPT-5.6-sol虽在目标识别与定位上达100%、操作语义理解达99.6%—100%，完整任务成功率却仅为53.93%、52.86%和51.55%，暴露大模型从空间理解到执行与修正的断层。
六天后的 9 月 28 日，MiniMax 上线了 M3.1-Flash-Preview。这是 M 系列的最新模型，百万 token 上下文、原生多模态，在 MiniMax Code 里首发上线，目前也可以通过 API 订阅套餐调用。
能跟人类舞者Battle的机器人，有点意思。不仅能实时斗舞、学习能力也一流，动作看一遍就能复刻，连托马斯都转上了。银河星仔ET1，舞技了得～这是银河首创全自研物理世界原生智能体，专为人形机器人实时多模态交互和运动打造。
openJiuwen WorkSwarm首发全双工多模态能力，实现用户在前台像聊天一样随时与Agent交互、插话和追问，复杂任务则交给后台Core Agent独立执行，且原生亲和昇腾算力，支持基于华为云ModelArts与vLLM-Omni框架在昇腾NPU上部署。
寰宇心生（WorldMind）于成立当月完成数千万元人民币种子轮融资，元生资本为投资方，点石资本担任独家财务顾问，所融资金将用于神经认知世界模型研发、训练基础设施建设、多模态数据采集体系搭建及团队扩张。
上海人工智能实验室开源的多模态决策SOTA模型Intern-Decision采用自回归式掩码语言任务框架，在推理速度上比Jev提升2至3倍，并在游戏画面决策、验证码识别和网页操作等任务中展现出将视觉理解与结构化决策结合的能力，目前已在Hugging Face、GitHub开源0.8B、2B和4B三个版本。
南洋理工大学S-Lab、A*STAR与UIUC联合提出的V-Rubrics方法将5万视觉样本拆分为35万条细粒度准则，从视觉忠实性、推理一致性和指令遵循三维度分别参与强化学习奖励分配，使基于Qwen3-VL-8B的模型在通用与知识评测中平均得分提升至68.04。