搜索
统一多模态模型既能看图，也能画图，那么它能不能像人一样，画完之后自己检查、发现问题、再动手改？
看起来像硬质塑料，按下去却十分柔软 —— 当视觉与触觉发生冲突，人类往往会依赖触感修正视觉误区；但现有的多模态模型却常常更相信视觉，从而误判物体的真实物理属性。
走向物理 AI 时代，构建一个能真正统一语言与视觉的多模态基座模型是关键一步。然而，语言本质上是有序的 Token 序列，视觉则是连续的高维像素分布，两者在信息结构上存在天然的鸿沟。如何在一个模型内统一这两种截然不同的分布，一直是一个备受争论的话题。
统一多模态模型（Unified Multimodal Models, UMMs）通常为理解和生成分别使用不同的视觉表示：用 ViT 提取理解所需的语义特征，用 VAE 提供生成所需的潜变量。这样一来，同一张图像要以两种 token 进入上下文，视觉上下文随之变长；这种双流接口也不同于视觉-语言模型（VLM）常用的单一视觉流，难以直接沿用成熟的 VLM 预训练流程。
Scale AI与Elorian发布Humanity’s Sixth Sense（HSS）基准，以522道图像和视频题测试多模态模型的直觉式视觉推理，25个模型均显著落后于人类，榜首GPT-6-astra得分53.6%，人类达93.1%。
Z Potentials 独家获悉，Xspark AI（无界智航）近日完成新一轮融资。本轮融资由猎道投资、华山资本、元航资本、浦东创投、钧源资本、南山战新投、水木创投等机构共同参与，多维资本担任本轮融资独家财务顾问。
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。
NTU、CMU、Berkeley等高校联合推出VBVR-Pro视觉推理系统，构建300项任务与100项可验证打分器的训练评测平台，测试30余个多模态模型，并验证其打分器可直接作为强化学习奖励。
10B参数以内，空间具身能力同档第一的通用多模态大模型来了！