TimeScope：你的视频大模型能看多长的视频？
Hugging Face 开源长视频理解基准 TimeScope，通过在 1 分钟至 8 小时的视频中插入 5-10 秒的"针"片段，评测模型的局部检索、信息综合与细粒度时序感知三项能力。测试显示，包括 Gemini 2.5-Pro 在内的领先视觉语言模型在真正的长视频任务上仍表现吃力，性能随视频变长明显下滑。
#多模态
#多模态
今日 2 条Hugging Face BlogAI 评分4545
Mistral AI精选AI 评分6666 Mistral 为 Le Chat 推出 Deep Research、语音模式等多项新功能
Mistral 为 Le Chat 上线一批新功能，包括预览版 Deep Research 模式、由新语音模型 Voxtral 驱动的语音模式、由推理模型 Magistral 支持的多语言推理、用于整理对话的 Projects，以及与 Black Forest Labs 合作的高级图像编辑。
推荐理由：官方一次性公布 Le Chat 的深度研究、语音、推理与图像编辑多项能力，可据此判断其产品路线与可用入口。
Hugging Face Blog精选AI 评分6262 Hugging Face 与 Pollen Robotics 发布开源机器人 Reachy Mini，399 美元起
Hugging Face 与 Pollen Robotics 发布开源机器人 Reachy Mini，Lite 版 399 美元、带 Raspberry Pi 4 与电池的 Compute 版 499 美元，均需另付税费和运费，预计约 90 天发货。
推荐理由：Reachy Mini 给出了开源硬件规格、两档价格与 Hugging Face 行为库入口，可据此判断桌面机器人开发门槛。
Hugging Face BlogAI 评分3838 Hugging Face 详解高效多模态数据管道：从朴素填充到背包算法
Hugging Face 以 nanoVLM 项目为例，展示如何用五阶段构建高效多模态数据管道，解决 GPU 空转与填充浪费问题。朴素填充阶段约 60% 的 batch 被空 token 占用，随后通过约束填充、背包算法打包和 ConstantLengthDataset 逐步优化。
Hugging Face Blog精选AI 评分6262 Hugging Face 发布 SmolLM3：3B 多语言长上下文推理模型
Hugging Face 发布 SmolLM3，一个完全开源的 3B 模型，在 11T token 上训练，支持 think/no_think 双模式推理、6 种语言和最长 128k 上下文。该模型在 3B 规模上超越 Llama-3.2-3B 和 Qwen2.5-3B，并与 Qwen3、Gemma3 等 4B 模型竞争。团队同时公开了预训练、中训练、后训练及合成数据生成的完整配方和数据集。
推荐理由：Hugging Face 公开了 SmolLM3 的完整训练配方与数据配比，读者可据此复现或改进 3B 级小模型。
Hugging Face BlogAI 评分5858 NVIDIA 发布 Llama Nemotron Nano VL 8B 视觉语言模型并上线 Hugging Face
NVIDIA 发布 Llama Nemotron Nano VL，一个基于 Llama-3.1-8B-Instruct 和 C-RADIOv2-VLM-H 视觉编码器的 8B 视觉语言模型，面向发票、合同等复杂文档的 OCR 与信息抽取，已在 Hugging Face 上线并可通过 NVIDIA NIM API 调用。
Hugging Face Blog精选AI 评分7878 Gemma 3n 全面上线开源生态，支持端侧多模态推理
Gemma 3n 正式在 transformers、timm、MLX、llama.cpp、transformers.js、ollama 和 Google AI Edge 等主流开源库中可用，发布 gemma-3n-E2B 与 gemma-3n-E4B 两个尺寸，各有 base 和 instruct 两个版本。
推荐理由：原文给出 Gemma 3n 在主流开源库的落地方式与端侧内存占用，读者可据此判断本地多模态部署的可行性。
Hugging Face Blog精选AI 评分6060 Hugging Face 发布 ScreenSuite，面向 GUI Agent 的综合评测套件
Hugging Face 发布 ScreenSuite，一个面向 GUI Agent 的综合评测套件，统一整合了 13 个基准，覆盖感知、定位、单步动作和多步智能体四类能力。
推荐理由：Hugging Face 开源 GUI Agent 评测套件，统一 13 个基准并支持 Docker 本地部署，可据此判断视觉语言模型的智能体能力。
Hugging Face Blog精选AI 评分6969 H Company 发布 GUI 自动化 VLM 系列 Holo1 及 WebClick 基准
H Company 发布 Holo1 系列 Action VLM 和 WebClick 多模态定位基准，Holo1 包含 3B 与 7B 两个版本，基于 Qwen2.5-VL 架构，7B 版本在常见 UI 定位基准上平均准确率达 76.2%。
推荐理由：Holo1 开源了 GUI 定位模型与 WebClick 基准，并给出 Surfer-H 在 WebVoyager 上的成本与准确率数据，便于评估网页自动化方案。
Hugging Face Blog精选AI 评分6060 Hugging Face 开源 nanoVLM：用纯 PyTorch 训练视觉语言模型的最简仓库
Hugging Face 发布 nanoVLM，一个用纯 PyTorch 训练视觉语言模型（VLM）的轻量工具包，可在免费 Colab 上启动训练，灵感来自 nanoGPT。
推荐理由：Hugging Face 开源 nanoVLM，用纯 PyTorch 和可读代码把 VLM 训练流程拆解到可复现，适合想理解多模态对齐细节的读者。
Hugging Face BlogAI 评分2828 Hugging Face 回顾视觉语言模型一年进展：更小、更快、更强
Hugging Face 发文回顾过去一年视觉语言模型（VLM）的关键变化，涵盖 any-to-any、推理、小尺寸、MoE 解码器、视觉语言动作模型等新趋势。
Mistral AI精选AI 评分7474 Mistral AI 发布 Mistral Medium 3，主打低成本企业部署
Mistral AI 发布 Mistral Medium 3，称其在多项基准上达到 Claude Sonnet 3.7 的 90% 或以上，成本为每百万 token 输入 0.4 美元、输出 2 美元。
推荐理由：官方给出 Mistral Medium 3 的定价、对标模型与部署门槛，可据此判断企业自部署的成本与可行性。
Hugging Face Blog精选AI 评分6262 Meta 发布 Llama Guard 4 与 Llama Prompt Guard 2
Meta 发布 Llama Guard 4，一个从 Llama 4 Scout 剪枝而来的 12B 稠密多模态安全模型，可评估纯文本和图文输入，覆盖 MLCommons 定义的 14 类危害及代码解释器滥用，可在单张 24GB 显存 GPU 上运行。
推荐理由：Meta 发布 12B 多模态安全模型与两款提示注入分类器，并给出可直接运行的 transformers 示例。
Hugging Face BlogAI 评分3838 TNG 微调 olmOCR-7B-0225-preview 打造忠实 OCR 引擎
TNG 基于 olmOCR-7B-0225-preview 微调出一款忠实 OCR 引擎，解决了原模型忽略页眉页脚信息的问题。团队用 Qwen2.5-VL-72B-Instruct 生成 8000 份文档数据集，在 8xH100 节点上训练 2.5 个 epoch，使模型能完整提取发票等文档的页眉页脚内容并保留表格解析能力。该微调模型已在 Hugging Face 开源。
Hugging Face BlogAI 评分4040 Visual Salamandra 发布：将 7B 多语言 LLM 扩展至图像与视频
Language Technologies Lab 发布 Visual Salamandra，将 Salamandra Instructed 7B 大语言模型扩展至图像和视频多模态任务。
OpenAI NewsAI 评分2020 ChatGPT 的视觉与语音功能
ChatGPT 的视觉与语音功能可帮助团队处理多模态输入，并以更自然的方式沟通。
Hugging Face Blog精选AI 评分8888 Llama 4 Maverick 与 Scout 上线 Hugging Face
Meta 发布 Llama 4 Maverick（约 400B 总参数）和 Llama 4 Scout（约 109B 总参数）两款 MoE 模型，均为 17B 激活参数，原生支持文本与图像输入，已在 Hugging Face Hub 上线。
推荐理由：文章给出 Llama 4 两款 MoE 模型的参数、上下文长度与架构细节，便于判断其部署门槛与长上下文能力。
Hugging Face Blog精选AI 评分7171 NVIDIA 在 GTC 2025 发布 Cosmos Transfer、Physical AI Dataset 与 Isaac GR00T N1
NVIDIA 在 GTC 2025 上发布三项面向物理 AI 开发的开源成果：世界基础模型 Cosmos Transfer、Physical AI Dataset 以及人形机器人基础模型 NVIDIA Isaac GR00T N1。
推荐理由：NVIDIA 在 GTC 2025 一次性开源世界模型、数据集与人形机器人基础模型，读者可据此了解物理 AI 开发可用的工具链。
Mistral AI精选AI 评分7171 Mistral AI 发布 Mistral Small 3.1，支持多模态与 128k 上下文
Mistral AI 发布 Mistral Small 3.1，在 Mistral Small 3 基础上提升文本性能与多模态理解，上下文窗口扩展至 128k tokens，推理速度达 150 tokens/秒，并以 Apache 2.0 许可开源。
推荐理由：官方给出 Mistral Small 3.1 的多模态、128k 上下文与单卡可跑规格，便于判断小模型端侧部署的取舍。
Hugging Face Blog精选AI 评分8282 Google 发布 Gemma 3 开源模型：多模态、多语言、128k 上下文
Google 发布 Gemma 系列新模型 Gemma 3，提供 1B、4B、12B、27B 四种尺寸，含预训练与指令微调版本。其中 4B、12B、27B 支持图像与文本输入，上下文窗口达 128k，支持 140 多种语言，1B 版本仅支持文本、上下文 32k。
推荐理由：梳理 Gemma 3 的四种尺寸、多模态与 128k 上下文等规格，并给出 transformers 与端侧推理的可用入口。
Mistral AI精选AI 评分7777 Mistral AI 发布文档理解 API Mistral OCR
Mistral AI 发布光学字符识别 API Mistral OCR，可接收图片和 PDF，按顺序交错提取文本与图像，并作为 Le Chat 文档理解的默认模型。
推荐理由：官方给出 Mistral OCR 的定价、基准对比与自托管选项，读者可据此判断它在文档解析与 RAG 流程中的位置。
Hugging Face Blog精选AI 评分6262 Cohere For AI 发布 Aya Vision 8B 与 32B 多语言多模态模型
Cohere For AI 发布 Aya Vision 系列开源权重视觉语言模型，包含 8B 和 32B 两个版本，覆盖 23 种语言。32B 版本在 AyaVisionBench 和 mWildVision 的成对比较中，对 Llama-3.2 90B Vision、Molmo 72B、Qwen2.5-VL 72B 等参数量超过自身两倍的模型取得 50% 至 64% 的胜率。
推荐理由：原文给出 8B 与 32B 两个开源权重的多语言视觉语言模型及训练细节，读者可据此判断小参数模型在多语言多模态上的位置。
Hugging Face BlogAI 评分3838 Hugging Face 与 IISc 合作，推动印度多语言模型构建
Hugging Face 与印度科学研究所（IISc）及 ARTPARK 达成合作，旨在提升印度多模态多语言数据集 Vaani 的可访问性与易用性。Vaani 由 IISc/ARTPARK 与 Google 于 2022 年发起，目标采集超 15 万小时语音和 1.5 万小时转写文本，覆盖全印 773 个地区、100 万人，目前已开源 790 小时转写音频，涵盖 54 种语言。
Hugging Face Blog精选AI 评分6262 Google 发布 SigLIP 2 多语言视觉语言编码器
Google 发布 SigLIP 2 系列多语言视觉语言编码器，在 SigLIP 的 sigmoid loss 基础上加入解码器、自蒸馏 Global-Local loss 与 Masked Prediction loss 等训练目标，在零样本分类、图文检索和视觉表征迁移上均优于旧版 SigLIP。
推荐理由：梳理 SigLIP 2 相比前代新增的训练目标与 naflex 动态分辨率变体，便于判断视觉编码器的选型。
Hugging Face Blog精选AI 评分7171 Hugging Face 发布 SmolVLM2 视频理解模型，含 2.2B、500M 和 256M 三个尺寸
Hugging Face 发布 SmolVLM2 系列视频理解模型，包含 2.2B、500M 和 256M 三个参数规模，并称 500M 与 256M 是迄今最小的视频语言模型。
推荐理由：Hugging Face 发布三档小尺寸视频理解模型，并给出 MLX 与 Transformers 的即用示例，可据此判断端侧视频理解的门槛变化。
Hugging Face BlogAI 评分4242 Google 发布 PaliGemma 2 Mix 指令视觉语言模型
Google 发布 PaliGemma 2 Mix，这是基于 SigLIP 和 Gemma 2 的 PaliGemma 2 视觉语言模型系列中经过多任务混合微调的版本，覆盖 OCR、长短描述、视觉问答、目标检测和图像分割等任务。模型提供 3B、10B、28B 三种参数规模和 224、448、896 三种分辨率，支持 HF Transformers 与 JAX 框架，并已上线演示。
Mistral AI精选AI 评分6262 Mistral 发布首个区域语言模型 Mistral Saba
Mistral AI 发布 Mistral Saba，这是其首个专门针对区域语言的模型，拥有 24B 参数，基于中东和南亚精心整理的数据集训练。该模型在阿拉伯语和泰米尔语等南印度语言上表现突出，响应速度超过 150 tokens/秒，可在单 GPU 系统上本地部署，并提供 API 访问。
推荐理由：Mistral 推出首个区域语言模型，24B 参数可在单 GPU 本地部署，为中东和南亚市场提供定制化选择。
Mistral AI精选AI 评分7171 Mistral AI 发布新版 le Chat 助手并上线 iOS 与 Android
Mistral AI 发布新版 le Chat，定位覆盖生活与工作的综合 AI 助手，同时上线 iOS、Android，并推出 Pro 和 Team 订阅以及处于私有预览的 Enterprise 版本。
推荐理由：官方一次性给出 le Chat 的移动端、Flash Answers 速度指标与 Pro 定价，可据此判断其与现有助手的差异。
Hugging Face Blog精选AI 评分6262 smolagents 新增视觉语言模型支持
Hugging Face 为 smolagents 加入视觉支持，可在智能体流程中原生使用视觉语言模型。图片既能在 run 方法中一次性传入并存入 TaskStep 的 task_images，也能通过 step_callbacks 在每步把截图写入 ActionStep 的 observation_images。
推荐理由：官方给出 smolagents 接入视觉语言模型的两条路径与回调写法，可据此改造现有智能体流程。
Hugging Face Blog精选AI 评分6262 SmolVLM 推出 256M 与 500M 两个更小尺寸模型
Hugging Face 发布 SmolVLM-256M 和 SmolVLM-500M 两款视觉语言模型，其中 256M 被称为全球最小的 VLM，共提供两个 base 和两个指令微调共四个 checkpoint。
推荐理由：SmolVLM 家族新增 256M 与 500M 两个小尺寸多模态模型，读者可据此了解小模型在视觉语言任务上的取舍与部署方式。
Mistral AIAI 评分4040 Mistral AI 与法新社达成全球合作，Le Chat 接入 AFP 新闻内容
Mistral AI 宣布与法新社（AFP）达成全球合作，其 AI 助手 Le Chat 将接入 AFP 新闻专线内容，为用户提供基于可靠事实的回复。Le Chat 将利用 AFP 每日六种语言（法语、英语、西班牙语、葡萄牙语、德语、阿拉伯语）发布的 2,300 条新闻专线，覆盖其全球 1,700 名记者的报道。该集成将在未来几周内向所有 Le Chat 用户推出。
Hugging Face BlogAI 评分3838 Hugging Face 发布 vdr-2b-multi-v1 多语言视觉文档检索嵌入模型
Hugging Face 发布多语言视觉文档检索嵌入模型 vdr-2b-multi-v1，可直接编码文档页面截图，无需 OCR 或分块即可跨语言检索。模型基于 MrLight/dse-qwen2-2b-mrl-v1，与 LlamaIndex 合作训练，覆盖意大利语、西班牙语、英语、法语和德语，并同步开源含 50 万样本的 vdr-multilingual-train 数据集。
OpenAI News精选AI 评分8282 OpenAI 视频生成模型 Sora 上线 sora.com
OpenAI 的视频生成模型 Sora 现已可在 sora.com 使用。用户可生成最高 1080p 分辨率、最长 20 秒的视频，支持宽屏、竖屏和方形画幅。用户可导入自己的素材进行扩展、重混和融合，也可完全由文本生成新内容。
推荐理由：OpenAI 官方公布 Sora 的开放入口与分辨率、时长、画幅等具体能力，读者可据此判断可用范围。
Hugging Face Blog精选AI 评分6262 Google 发布视觉语言模型 PaliGemma 2，提供 3B、10B、28B 三种规格
Google 发布新一代视觉语言模型 PaliGemma 2，沿用 SigLIP 图像编码器，文本解码器升级为 Gemma 2，提供 3B、10B、28B 三种参数规格，均支持 224x224、448x448、896x896 三种输入分辨率，而上一代 PaliGemma 仅有 3B 版本。
推荐理由：Google 新视觉语言模型给出 3B 到 28B 三种规格与三档分辨率，可据此判断微调选型空间。
Hugging Face Blog精选AI 评分6262 Hugging Face 发布 SmolVLM：2B 视觉语言模型，主打低显存占用
Hugging Face 发布 SmolVLM 系列 2B 视觉语言模型，包含 Base、Synthetic 和 Instruct 三个版本，模型权重、数据集、训练配方与工具均以 Apache 2.0 协议开源。
推荐理由：2B 视觉语言模型给出显存占用与吞吐对比，可据此判断端侧多模态部署的可行边界。
OpenAI NewsAI 评分2222 用 GPT-4o 视觉微调构建更智能的地图
OpenAI 发布案例，展示如何用 GPT-4o 的视觉微调能力构建更智能的地图。
Hugging Face BlogAI 评分4040 BAAI 推出 FlagEval Debate：首个多语言 LLM 辩论竞赛平台
BAAI 推出 FlagEval Debate 平台，让大模型以辩论方式互相对抗，目前支持英语、中文、阿拉伯语和韩语四种语言的辩论竞赛。该平台采用专家评审与用户投票的双重评估机制，并允许开发者自定义模型参数与对话风格，以解决静态评测和 Chatbot Arena 等平台缺乏区分度、模型孤立生成及投票偏差等问题。2024 年 Q3 的实验显示，当前大多数模型都能参与辩论。
Mistral AI精选AI 评分6262 Mistral AI 为 le Chat 加入联网搜索、Canvas 与图像生成
Mistral AI 为免费生成式 AI 助手 le Chat 上线多项 beta 功能：带引用的联网搜索、用于构思与就地编辑和导出的 Canvas、由新多模态模型 Pixtral Large 驱动的文档与图像理解、由 Black Forest Labs Flux Pro 驱动的图像生成，以及可复用提示词并分享给同事的 Agents。
推荐理由：官方列出 le Chat 新增的联网搜索、Canvas、文档图像理解与图像生成，并给出与主流助手的逐项对比。
Mistral AI精选AI 评分7878 Mistral AI 发布 124B 开源多模态模型 Pixtral Large
Mistral AI 发布 Pixtral Large，一个基于 Mistral Large 2 构建的 124B 开放权重多模态模型，含 1B 参数视觉编码器和 128K 上下文窗口，可容纳至少 30 张高分辨率图像。
推荐理由：官方给出 Pixtral Large 在多项多模态基准上的对比数据与开放权重许可，读者可据此判断其与 GPT-4o、Gemini-1.5 Pro 的位置。
Hugging Face BlogAI 评分2222 CinePile 2.0：用对抗式数据集精炼打造更强的长视频问答数据集
Hugging Face 发布 CinePile 2.0 长视频问答数据集，采用其提出的对抗式数据集精炼（adversarial dataset refinement）方法改进数据质量。