速報
Boogu-Image-0.1：開源多模態理解與生成模型全新突破
Boogu-Image-0.1 以開源方式提供統一多模態模型，透過提升模型理解、資料品質與訓練管線，結合推論時的代理式擴展，實現高品質文字轉圖、快速推論與雙語渲染。實驗顯示其表現可與領先閉源系統相近，且僅使用 2.08 億張影像與約 40 萬美元的訓練成本。
多模態模型
深度分析
VEGAS：利用測試時凝視資訊提升影片說明文字個人化與檢索效能
研究針對視訊說明文字與使用者注視資訊的關聯提出 VEGAS 指標，利用測試時的凝視資料挑選最符合觀看者注意的字幕。實驗顯示在日常活動影片上可提升檢索精準度，但在教學投影片上改善有限。此方法未需重新訓練模型，未來可結合智慧眼鏡或網頁即時注意力推估，提升個人化影片搜尋與記憶檢索。
速報
iFLYTEK-Embodied-Omni：統一視覺、語言與動作的多模態基礎模型
為提升通用型具身代理人的指令理解與長期控制能力，研究團隊打造 iFLYTEK-Embodied-Omni，採用視覺語言、影片生成與動作生成的共享多模態自注意力架構。模型將高階規劃與低階執行分工協作，並以混合示範影片進行四階段訓練，顯著提升任務執行的準確度與穩定性。
深度分析
多模態教學資料集 DigitalCoach：評估先進 AI 模型在 GUI 操作指導的效能
隨著AI代理人能自動化軟體操作，研究團隊推出DigitalCoach多模態資料集，收錄72場專家對新手的GUI教學對話，並以此評估先進模型的教學表現。結果顯示模型偏好直接指令，在真實互動測試中缺乏解釋與視覺根據，導致學習者參與度與技能保留皆較差。
深度分析
「Human Creativity Benchmark」：以收斂與分歧雙軸評估創意 AI 的多模態模型表現
隨著生成式AI進入設計與影像領域，研究提出HumanCreativityBenchmark，透過收斂與分歧指標，分別衡量技術正確性與個人口味，並於構思、模型、精修三階段收集逾一萬五千筆專業評分。結果顯示模型在可驗證技術上高度一致，卻在美感等主觀面保持顯著分歧，提醒未來評估需兼顧可驗證與可操控訊號。
深度分析
COMPASS：結合 Expert Token τc 與 C‑MoE 的統一多模態構圖感知與生成框架
研究指出，現有統一多模態模型在構圖辨識與生成上表現不佳。作者提出 COMPASS，透過專家錨點 τc 與 C‑MoE 注入構圖知識，並以自監督結構瓶頸實現參考圖引導的版面控制。實驗顯示，該系統在構圖分類與生成一致性上顯著優於基線，提升了圖像生成的構圖忠實度。
速報
GPTNT 基準測試：多人協作解炸彈挑戰揭露大型語言模型的合作盲點
隨著多模態模型被廣泛應用於人機協作，研究者以《Keep Talking and Nobody Explodes》開發 GPTNT 基準，測試兩代理人在時間限制與資訊不對稱下的即時溝通能力。結果顯示，現有大型語言模型無法即時拆除炸彈，顯示在狀態追蹤與錯誤恢復上仍有缺口，對未來協作 AI 發展具警示意義。
深度分析
Yuvion VL 多模態基礎模型：結合 C2FT 與鏈式思考提升對抗式內容與人工智慧安全
隨著多媒體內容激增，安全風險日益複雜。Yuvion VL 以對抗式多模態設計，建構自動化資料合成與 C2FT 微調流程，提升細粒度視覺辨識與魯棒性。實驗顯示 32B 版在安全基準上超過同等規模開源模型 9.9 分，亦領先部分商業模型 6.7 分。8B 版以不足 2% 參數量，就能超越多個更大型模型的安全測試。
深度分析
Gemma 4 多模態模型：開源、長上下文與邊緣部署的技術突破
Google DeepMind於2026年4月在Hugging Face釋出Gemma 4多模態模型，支援文字、影像與音訊輸入，採Apache 2授權，可在本機與邊緣設備上部署，展現長上下文與量化效能的平衡，預期將推動開發者生態與私密AI應用。
深度分析
NVIDIA Nemotron 3 Nano Omni：支援長上下文與全域多模態的開放式 AI 引擎
NVIDIA於2026年4月發布Nemotron3NanoOmni，多模態模型支援文字、影像、影片與音訊，同時處理長文件與跨媒體推理，測試顯示在文件、視訊與語音基準上均領先，預示企業AI應用將更具效率與安全性。該模型在多模態推理上達到最高9倍吞吐量提升，且支援8GB以上GPU實時部署。
gpt_server
gpt_server：支援 vLLM、SGLang 等四大推理引擎的全功能 OpenAI 介面開源框架
gpt_server 以 fastchat 為基礎，提供 OpenAI 規範的 Chat、Embedding、Reranker、ASR、TTS 及 Stable Diffusion 服務，支援多後端加速與模型同端口排程，讓企業能以單一服務點快速部署多模態模型，提升開發與上線效率。
深度分析
HoloTab：基於 Holotron‑12B 的混合 SSM‑注意力模型在瀏覽器中實現工作自動化
HCompany 於 2026 年推出 HoloTab Chrome 擴充功能，結合最新的 Holotron‑12B 多模態模型與混合 SSM‑注意力架構，能在瀏覽器內自動執行跨網站任務，實測顯示單顆 H100 搭配 vLLM 可將吞吐量提升逾兩倍，為企業與個人使用者帶來高效的電腦使用 AI 方案。