多模态 – mylogs.cn https://mylogs.cn 发现、记录、分享 Tue, 29 Sep 2026 17:05:40 +0000 zh-Hans hourly 1 阿里 Qwen3.8-Flash 免费延期，调用不再扣 Credits https://mylogs.cn/%e9%98%bf%e9%87%8c-qwen3-8-flash-%e5%85%8d%e8%b4%b9%e5%bb%b6%e6%9c%9f%ef%bc%8c%e8%b0%83%e7%94%a8%e4%b8%8d%e5%86%8d%e6%89%a3-credits/ Tue, 29 Sep 2026 16:49:36 +0000 https://mylogs.cn/%e9%98%bf%e9%87%8c-qwen3-8-flash-%e5%85%8d%e8%b4%b9%e5%bb%b6%e6%9c%9f%ef%bc%8c%e8%b0%83%e7%94%a8%e4%b8%8d%e5%86%8d%e6%89%a3-credits/ 根据 Qoder 官方公告，阿里巴巴旗下 Qoder 平台的 Qwen3.8-Flash 限时免费活动已延期。该活动原定于 2026 年 9 月 30 日 23:59:59 结束，现已调整为自 10 月 1 日起继续免费，结束时间暂未公布。

阿里云 Qwen 系列模型

活动自 9 月 18 日 10:00 起面向 Qoder 新老个人用户开放。活动期间，Qwen3.8-Flash 的计费系数由 0.1× 降至 0.0×，模型调用不再消耗 Credits，且自动生效、无需手动领取。需要说明的是，Credits 是 Qoder 平台用于模型调用的计费点数；即便是免费账号或 Credits 余额为零的账号也能参与，已经领取的每日 100 通用 Credits 也不会被该模型扣减。

覆盖范围广

本次免费适用于 Qoder 全家桶：包括 Qoder 主平台、Qoder IDE、Qoder JetBrains 插件、Qoder CLI、QoderWake、Qoder Cloud Agents、Qoder Mobile 以及 Qoder 网页版，开发者在多种入口下都能直接调用。

模型定位：快且省的多模态

阿里云对 Qwen3.8-Flash 的定位是兼顾响应速度与使用成本的多模态模型，支持代码编写、长文档处理与图像理解，并具备工具调用能力。对于需要高频调用、又希望控制成本的个人开发者与小型团队而言，这一轮”免费用到底”的延期降低了试用与接入门槛。

需要提醒的是，免费结束时间尚未确定，Qoder 后续可能根据运营情况调整计费策略，依赖该模型的用户可关注官方公告，提前规划用量与成本。

]]> 美团 LongCat 2.5 预览版：1.6 万亿参数主攻长程任务 https://mylogs.cn/%e7%be%8e%e5%9b%a2-longcat-2-5-%e9%a2%84%e8%a7%88%e7%89%88%ef%bc%9a1-6-%e4%b8%87%e4%ba%bf%e5%8f%82%e6%95%b0%e4%b8%bb%e6%94%bb%e9%95%bf%e7%a8%8b%e4%bb%bb%e5%8a%a1/ Sat, 26 Sep 2026 07:04:45 +0000 https://mylogs.cn/%e7%be%8e%e5%9b%a2-longcat-2-5-%e9%a2%84%e8%a7%88%e7%89%88%ef%bc%9a1-6-%e4%b8%87%e4%ba%bf%e5%8f%82%e6%95%b0%e4%b8%bb%e6%94%bb%e9%95%bf%e7%a8%8b%e4%bb%bb%e5%8a%a1/ 美团 LongCat 2.5 预览版模型

美团旗下 LongCat API 开放平台于 9 月 25 日正式上线新一代大模型 LongCat-2.5-Preview。该版本主打“长程任务”与多模态能力，并同步开放了 API 与网页端体验入口，开发者可通过平台直接调用。

补齐多模态短板

新版本最核心的变化是补齐了多模态理解能力。官方更新日志显示，LongCat-2.5-Preview 新增图片理解功能，能够解析图像内容，并支持跨模态问答、内容摘要与复杂视觉推理。这意味着模型不再局限于纯文本输入，可以处理包含图表的文档、截图，以及需要图文结合分析的复杂场景。

强化编程场景

在代码能力方面，新模型在代码生成、代码理解与自动化编程任务上表现突出。同时，它深度适配 Claude Code、Hermes、OpenClaw、OpenCode、Kilo Code 等主流开发环境，能够与这些工具高效协同，面向实际工程工作流提供支撑。

1.6 万亿参数的混合专家架构

据官方公布的信息，LongCat-2.5-Preview 延续了混合专家技术路线，总参数量约为 1.6 万亿，每次推理激活的参数约为 480 亿。该模型原生支持 100 万词元的上下文窗口，适合处理超长文档、大型代码库、系统日志，以及需要多轮交互的复杂任务。

如何体验

LongCat-2.5-Preview 已通过 LongCat API 开放平台提供 API 与网页端体验入口，有需要的开发者可前往平台接入试用。随着多模态与长上下文能力的补齐，该模型在智能体、自动化办公与软件开发等场景的可用性进一步提升。

]]> 蚂蚁开源百灵视觉大模型：图片转网页得分超 GPT-5.4 https://mylogs.cn/%e8%9a%82%e8%9a%81%e5%bc%80%e6%ba%90%e7%99%be%e7%81%b5%e8%a7%86%e8%a7%89%e5%a4%a7%e6%a8%a1%e5%9e%8b%ef%bc%9a%e5%9b%be%e7%89%87%e8%bd%ac%e7%bd%91%e9%a1%b5%e5%be%97%e5%88%86%e8%b6%85-gpt-5-4/ Wed, 09 Sep 2026 22:45:47 +0000 https://mylogs.cn/%e8%9a%82%e8%9a%81%e5%bc%80%e6%ba%90%e7%99%be%e7%81%b5%e8%a7%86%e8%a7%89%e5%a4%a7%e6%a8%a1%e5%9e%8b%ef%bc%9a%e5%9b%be%e7%89%87%e8%bd%ac%e7%bd%91%e9%a1%b5%e5%be%97%e5%88%86%e8%b6%85-gpt-5-4/ 9 月 9 日，蚂蚁集团宣布推出并开源百灵（Ling）系列首个原生多模态大模型 Ling-3.0-flash-VL。该模型基于 Ling-3.0-flash 的 MoE（混合专家）架构扩展而来，总参数量为 124B，单次推理仅激活 5.5B 参数，原生支持图像、文本与视频输入，上下文窗口达到 256K Token。

与常见的”语言模型外挂视觉模块”方案不同，Ling-3.0-flash-VL 从训练阶段就采用图文视频联合训练。模型引入任意分辨率视觉编码器与 VideoRoPE，语言主干沿用 42 层混合架构，KDA 与 Gated MLA 按 5:1 比例交替排列。在保持单次激活 5.5B 参数的小算力开销的同时，模型可在实时视频对话、多轮视觉交互和长时任务中保持低延迟响应。

视觉能力加入后，文本智能不降反升

业界长期存在一个担忧：给大模型加上视觉能力，会稀释甚至拉低它的文本智能。蚂蚁集团的训练实践给出了相反的结论——原生多模态联合训练不仅拓展了应用边界，还拉升了文本表现。

在 Artificial Analysis Intelligence Index v4.1.1 评估中，Ling-3.0-flash-VL 较纯文本版本 Ling-3.0-Flash 提升了 4 分。官方解释称，来自图像和视频的信息帮助模型建立了对概念、空间和现实世界更完整的理解，视觉并不只是一种新的输入模态。

Ling-3.0-flash-VL 在多项多模态评测中与主流模型对比
图片来源：蚂蚁集团官方评测数据

视觉反馈闭环：从”看图说话”到”看结果干活”

Ling-3.0-flash-VL 的核心亮点是引入了视觉反馈闭环机制。传统多模态模型的任务执行是一次性的”生成”，而该机制将任务推进为”观察 → 行动 → 验证 → 修正”的持续闭环：模型执行操作后观察结果，与目标对比，发现偏差并持续修正。

这一机制在三个场景中体现出价值。在前端开发场景，模型可根据网页截图理解布局、配色和组件关系，生成前端代码后查看浏览器渲染结果，与参考图对比后再修改代码，形成由视觉反馈驱动的开发闭环。在 Image-to-WebDev Arena 官方评测中，该模型以代号 linthium 参赛，在”图片转网页”任务中的评测得分高于 GPT-5.4。在 GUI 自动化场景，模型可识别页面结构和应用状态，拆解操作步骤，完成点击、输入、滚动和应用切换，支撑”查找网页数据、整理到表格、再生成图表”这类跨工具任务。在医疗报告解读场景，模型可将跨页、跨时期的血常规、生化、影像等多类数据整合为完整的健康图景，以”红黄绿灯”直观展示健康风险。

Artificial Analysis 智能指数排行中 Ling 3.0 Flash 位列开源模型前列
图片来源：Artificial Analysis 评测截图

已可在灵光应用中实际使用

目前，Ling-3.0-flash-VL 的部分能力已接入蚂蚁旗下灵光 App。用户借助手机摄像头可实现”一拍即答”：识别动植物种类、食材、建筑地标和车型，连续描述眼前场景，并实时识别与翻译外语标识。在学习场景，模型可结合课程画面识别公式、示意图和板书内容，围绕知识点持续答疑。针对小时级的长视频，模型可通过视觉反馈闭环完成高光剪辑，依靠 256K 上下文窗口持续追踪任务状态。

蚂蚁集团同时公布了模型的局限性：在长尾场景感知推理、长链路 Agent 执行及长程全栈编码等任务上，与最佳模型仍有差距。下一步将重点强化复杂图表与跨图片内容的理解验证能力，并提升真实工作流中的执行稳定性。

开源信息

Ling-3.0-flash-VL 现已在 Ling Studio（chat.ant-ling.com）上线，免费体验开放中。模型的 BF16 和 FP8 版本已在 Hugging Face 与 ModelScope 平台开源，FP4 和 INT4 版本计划近期发布。对开发者而言，在 124B 总参数下仅需激活 5.5B 参数即可推理，部署成本明显低于同规模稠密模型，适合用于构建视觉 Agent 工作流和多模态应用。

]]> ChatGPT Images 2.5 发布：生图延迟减半，草图也能变大片 https://mylogs.cn/chatgpt-images-2-5-%e5%8f%91%e5%b8%83%ef%bc%9a%e7%94%9f%e5%9b%be%e5%bb%b6%e8%bf%9f%e5%87%8f%e5%8d%8a%ef%bc%8c%e8%8d%89%e5%9b%be%e4%b9%9f%e8%83%bd%e5%8f%98%e5%a4%a7%e7%89%87/ Wed, 09 Sep 2026 00:38:28 +0000 https://mylogs.cn/chatgpt-images-2-5-%e5%8f%91%e5%b8%83%ef%bc%9a%e7%94%9f%e5%9b%be%e5%bb%b6%e8%bf%9f%e5%87%8f%e5%8d%8a%ef%bc%8c%e8%8d%89%e5%9b%be%e4%b9%9f%e8%83%bd%e5%8f%98%e5%a4%a7%e7%89%87/ OpenAI 于 2026 年 9 月 9 日正式发布 ChatGPT Images 2.5，将其定位为当前最先进的图像生成模型。新版本在图像生成延迟、细节表现与编辑可控性上均有明显升级，并新增 Sketch 草图参考、模板库和图片内评论标注等功能。

生成速度更快，画质细节更稳

与 2026 年 4 月推出的 Images 2 相比，Images 2.5 的图像生成延迟最多可降低 50%。在速度提升的同时，新版本在细节锐度、自然光照和纹理丰富度方面也有改进。多轮编辑场景下，模型对先前修改的记忆更稳定，连续调整时不易出现细节退化或风格漂移。

OpenAI 表示，ChatGPT 与 GPT-Image API 上的用户每周已生成超过 30 亿张图像，Images 2.5 的上线意味着这部分高频创作场景将获得更快的响应和更一致的输出。

Sketch 草图：随手画几笔就能出图

Images 2.5 最大的亮点之一是 Sketch 功能。用户只需在 ChatGPT 输入框中调用 “@Sketch”，即可在对话中直接手绘草图，再补充风格与细节描述，模型会据此生成完整图像。这一功能降低了图像创作的门槛，用户无需用文字精确描述画面，也能表达创意意图。

此外，新版本支持在图片上直接添加评论标注，圈选具体区域后发出修改指令，例如”将这里改为蓝色”或”删除此区域”，模型仅针对标注位置进行调整，其余部分保持不变。

模板库与分享机制

为简化常见创作流程，Images 2.5 还新增了海报、商品图等模板库，用户可直接套用模板并填充内容。生成图像时，用户还能选择附带原始提示词分享，方便他人基于同一创意进行二次修改。

面向开发者的两款 API 模型

在 API 侧，OpenAI 提供两种模型选择：

– GPT-Image-2.5 Flare：适合创作者内容、社交素材、产品原型、视觉搜索和高批量生成等大多数场景。
– GPT-Image-2.5 Sunburst：面向对编辑控制要求更高的工作流，例如成品级营销素材和精修产品图，生成时间相对更长。

API 支持 1024×1024、2048×2048、3840×2160 等多种分辨率，单边最长不超过 3840 像素，总像素数需在 655,360 至 8,294,400 之间。

安全与可追溯

Images 2.5 延续现有的提示词与生成内容检查机制，所有输出均嵌入 C2PA 元数据和隐形水印，便于识别由 OpenAI 工具生成的图像。

目前，ChatGPT Images 2.5 已向 ChatGPT、ChatGPT Work 和 Codex 用户开放，覆盖桌面端、移动端与网页端。

OpenAI 官方推文展示 Images 2.5 主要升级点
图片来源：IT之家 / OpenAI
Sketch 功能示意：在 ChatGPT 中手绘草图即可生成图像
图片来源：IT之家 / OpenAI
]]> 3B打平20B，这个开源安全模型改规则只需一句话 https://mylogs.cn/mistral-shieldstral-open-safeguard-model/ Tue, 04 Aug 2026 22:30:08 +0000 https://mylogs.cn/mistral-shieldstral-open-safeguard-model/ 任何一款接入大模型的产品，迟早要回答这类问题：这段内容是否在煽动针对特定群体的暴力？这张图适合展示给未成年人吗？助手刚才那句话算不算拒答？

3B打平20B，这个开源安全模型改规则只需一句话
图片来源：Mistral AI

麻烦在于，答案取决于产品形态、面向的人群，甚至具体场景。同一段文本，放在网络安全研究工具里完全正常，放在心理健康平台上就可能造成伤害。而绝大多数「护栏模型」把一套固定的风险分类硬编码进了权重里，换一个使用场景就得重新训练。更根本的问题是，安全定义本身在不同应用和领域之间就不统一，压根不存在一套「正确」的通用分类。

法国人工智能公司 Mistral AI 在 8 月 4 日发布的 Shieldstral，走的是另一条路。

把审核变成一道是非题

Shieldstral 是一个 30 亿参数的开放权重多模态安全分类器，采用 Apache 2.0 许可发布在 Hugging Face 上，支持 12 种语言，单张 16GB 的英伟达显卡就能跑起来。它的底座是 Mistral 自家的小型多模态模型 Ministral-3-3B，图像输入由 Pixtral 视觉编码器处理，模型卡标注的训练上下文为 32k token。

它的核心设计是把内容审核彻底改写成一道二元问答题。每次请求由三部分组成：`<Instruct>` 给出评判语境、严格程度，以及（可选的）什么算作不安全内容的定义；`<Query>` 是一个是非问句，例如「这段内容是否在鼓励肢体暴力？」；`<Document>` 则是待判定的对象，可以是一段提示词、一次模型回复、一组提示与回复的配对，或者一张（可带文字的）图片。

推理时，模型只读取 yes 和 no 两个 token 的 logits，做 softmax 归一化，输出一个连续的安全分数，默认以 0.5 为阈值切分结论。

这个看似朴素的形式做成了两件事。一是把提示词分类、回复审核、拒答检测、毒性检测统统折叠成同一个问题；二是让策略完全活在提示词里——同一份权重文件，在部署时就能适配全新的规则，不需要重新训练。

54 亿样本堆出来的以小博大

Mistral 给出的思路是：只要数据处理得当，小模型完全可以打赢大得多的对手。技术报告披露，训练用了约 5410 万条样本，其中 4520 万条来自公开文本安全数据集，440 万条是合成的对比样本，450 万条为多模态样本。

第一步是统一异构数据。公开的安全数据集在分类体系、标签形式和标注惯例上互不兼容，从简单的安全/不安全二元标记，到细粒度的多标签体系都有。Mistral 为每个数据集写了单独的处理器，把它们全部转换成同一套「指令—问句—文档」格式，并刻意变换指令措辞、问句写法和分隔符，避免模型只学会一种固定表达。同时按数据来源校准严格程度——面向对抗性越狱的数据从严，面向回复质量的数据从宽——让模型学到有校准的判定边界。

第二步是教会模型「分辨」而不是「背诵」。如果只用固定的策略标签训练，模型学到的只是把内容归入预设类别，而不是理解某条规则的精确边界，遇到没见过的新规则就会失灵。Mistral 的做法是构造一批刻意相似、极易混淆的策略，再让大模型把安全文本改写成对比样本：每一条改写都精确地违反其中一条策略，却不违反与它相邻的另一条。这套对比样本是围绕一个 73 类的分类体系生成的，训练出的能力可以迁移到用户自定义的、从未见过的策略上。

第三步是补齐图像。不安全的图片没法像文本那样由大模型合成，视觉安全数据天然稀缺。团队用通用图像数据集补充高质量负样本，通过变换问句扩充数据，再用视觉语言重排序模型过滤每一组图文配对，减少错标和幻觉。

最后一步是模型融合。团队用 LoRA 微调出多个检查点，再通过球面线性插值（SLERP）把三者合并：一个在公开数据上完成校准，一个从生成数据里获得细粒度的策略辨别力，第三个是基础指令模型。合并后的单一模型同时保留了策略校准、策略适应性，以及来自基础模型的指令跟随能力。整套训练在 Mistral 自研的 Forge 平台上完成。

成绩单与它的注脚

Mistral 在 16 项基准上、对照 10 个开源基线做了评测，所有评测样本都从训练集中剔除。对照组包括 ShieldGemma 2、WildGuard、Llama Guard 4（12B）、Qwen3Guard（8B）以及 gpt-oss-safeguard 系列。

技术报告给出的主要数字是：文本安全类基准平均 F1 达到 84.9%，与参数量约为其 7 倍的 GPT-OSS-Safeguard-20B 持平，在 4B 到 20B 区间的模型中排名第一；多模态安全类基准平均 F1 为 83.8%，超过次优的 OmniGuard-7B 的 77.6%，在三项图像安全基准中的两项领先；专门构建的策略适应性评测拿到 91.3% F1，略低于 GPT-OSS-Safeguard-20B 的 94.1%——不过后者在给出答案前要先生成一长串推理链，而 Shieldstral 只输出一个 token。

需要标注的是，这些都是厂商自测数据，基准也由 Mistral 自行挑选，目前尚无第三方复现。报告本身也留了两处自我约束：策略适应性评测刻意使用了与训练完全不同的分类体系，且由不同的大模型生成和校验，以排除「背下了分类」的可能；而在多语言提示词分类上，附录显示 Shieldstral 在阿拉伯语和印尼语上落后于若干基线，语言覆盖不均被列为公开的局限。

对工程团队来说，实际部署相当朴素，用 vLLM 起服务即可：

“`

vllm serve mistralai/Shieldstral-1.0-3B –max-model-len 32768

“`

Shieldstral 是 Mistral 的第三款审核模型，前两款都是托管 API，这是第一款以开放权重形式放出的。它同时也是 Mistral 与英伟达等机构共同发起的 Open Secure AI Alliance 的首批成果之一。对应的技术报告已于 7 月 28 日发布在 arXiv 上。

真正被改变的，是安全工作的重心：从「训练更大的模型」转向「把策略写清楚」。规则可以进版本库、走代码评审、跑自动化测试，出问题时也留得下审计痕迹。代价是策略措辞、阈值选择和持续评测的活儿一件都少不了，而且全部落在使用方自己头上。

来源：Mistral AI 官方博客，补充资料来自 Unite.AI、SourceFeed、Scalevise

]]> Kimi 给模型装了眼睛，DeepSeek 偏不装 https://mylogs.cn/kimi-k3-deepseek-v4-native-multimodal-routes/ Tue, 04 Aug 2026 11:40:36 +0000 https://mylogs.cn/kimi-k3-deepseek-v4-native-multimodal-routes/ 你让大模型帮你写个网页，它写完能不能自己”看一眼”效果对不对？这个看似很小的问题，正在把中国头部大模型分成两条路。

Kimi 给模型装了眼睛，DeepSeek 偏不装
图片来源：36氪（原文配图由 AI 生成）

月之暗面在 7 月发布的 Kimi K3，总参数 2.8 万亿、每个词元激活约 1040 亿，走的是把视觉从预训练阶段就揉进主模型的路子，还从零训练了约 4 亿参数的视觉编码器 MoonViT-V2，不再借用现成的图文对比预训练权重。效果很直接：K3 发布后以 1679 分登上 Arena 前端代码榜首，这个榜单由用户盲选模型生成的可交互网页排名，看的不只是代码能不能跑，还包括页面最终长什么样。浏览器开发平台 Puter 在测试页里埋了 5 处视觉偏差，K3 对照目标页和运行页截图全部找出，没有误报。月之暗面把这种”写完代码看一眼页面再改”的循环叫作视觉在环。

几周后 DeepSeek 给了另一种答案。V4-Flash 正式版总参数 2840 亿、每个词元激活 130 亿，分别只有 K3 的十分之一和八分之一，架构和参数规模都没动，全部力气花在后训练上，在考察网页开发和多轮工具操作的 Arena 网页开发榜上一度冲到 1577 分。它证明了：不加视觉、不扩规模，光靠后训练一样能把编程能力顶上去。

说白了，两家争的从来不是”多模态该不该做”。DeepSeek 创始人梁文锋早就说过”多模态最终还是要做的”，分歧只在于什么时候做、愿意为此让出多少模型容量、数据和算力。多位业内人士的看法也一致：编程能力才是上牌桌的门槛。有意思的是，阿里刚发布的 Qwen3.8-Max 站到了和 K3 相近的一边——2.4 万亿总参数、激活 950 亿，视觉、编程、协作一起扛。

对普通用户，这个分岔的现实意义很具体：如果你常截图丢给模型改页面、做幻灯片，优先选原生带视觉的；如果只写代码、处理文档，小而便宜的纯文本模型性价比明显更高。你平时给模型喂图多，还是喂字多？

来源：36氪·智能涌现《Kimi K3与DeepSeek V4之间，隔着原生多模态的时间差》，作者 李炤锋，编辑 张雨忻

]]> 让大模型看视频，选帧比选模型更重要 https://mylogs.cn/%e8%ae%a9%e5%a4%a7%e6%a8%a1%e5%9e%8b%e7%9c%8b%e8%a7%86%e9%a2%91%ef%bc%8c%e9%80%89%e5%b8%a7%e6%af%94%e9%80%89%e6%a8%a1%e5%9e%8b%e6%9b%b4%e9%87%8d%e8%a6%81/ Tue, 04 Aug 2026 01:18:48 +0000 https://mylogs.cn/?p=3469 你把一段视频丢给大模型，它其实并没在”看”视频——它看到的是从里面抽出来的一沓静态截图。开发者黄志弘在自己的工程笔记里给了个很直白的数字：受上下文预算所限，一段视频现实中最多只能塞进约 150 张图。抽哪 150 张，决定了模型是真看过，还是只看了一份关于它的幻灯片。

让大模型看视频，选帧比选模型更重要
图片来源：GitHub / claude-real-video 项目页

他做的开源工具叫 claude-real-video，采用 MIT 许可、完全在本地运行。核心结论是：抽帧不该按秒数均匀采样。定时采样会同时犯两个错——把一堆几乎一样的人头特写塞满预算，又恰好跳过真正发生事情的那一秒。

他的做法是让阈值自己浮动：先算出每一帧的画面变化分数，再跟滚动平均值比，高动态素材自动抬高门槛，安静素材自动降低，不用人调参。去重则拆成三条通道——全局通道用 16×16 的色彩指纹判断整体变化；动作通道改用 32×32 网格，只要少数格子剧烈变化就保留，专治”画面里的人只占半个百分点”这类小主体；第三条通道精度提到 192×192，专门抓字幕更换、白板上多出一行字这种局部微变。有意思的是，第二条通道不是测出来的，是一位用户跑了 2181 段真实视频之后反馈出来的。

说白了，视频理解眼下卡的不是模型看不懂，而是给它看什么。这跟写提示词是同一件事：信息密度比信息总量重要。

如果你在做视频相关的自动化，不妨先检查一下自己的抽帧逻辑，是不是还停在”每秒一帧”。

来源：leoaido.com（作者黄志弘）

]]> MiniMax H3 开源：音视频一锅端，2K 15 秒 https://mylogs.cn/minimax-h3-%e5%bc%80%e6%ba%90%ef%bc%9a%e9%9f%b3%e8%a7%86%e9%a2%91%e4%b8%80%e9%94%85%e7%ab%af%ef%bc%8c2k-15-%e7%a7%92/ Mon, 03 Aug 2026 04:54:46 +0000 https://mylogs.cn/minimax-h3-%e5%bc%80%e6%ba%90%ef%bc%9a%e9%9f%b3%e8%a7%86%e9%a2%91%e4%b8%80%e9%94%85%e7%ab%af%ef%bc%8c2k-15-%e7%a7%92/ 你听过的AI视频生成工具，多数还卡在”文生视频”或”图生视频”两件事之间来回切换。2026年8月3日，MiniMax把H3正式开源，把文本、图像、视频、音频当成同一件事一起处理。

MiniMax H3 开源：音视频一锅端，2K 15 秒
图片来源：MiniMax Research

H3是个通用多模态生成模型，输出15秒、2K分辨率（短边约1440像素）、24帧每秒的视频，画面与原生立体声音频在同一次生成中同步产出。同一段提示词里可以塞进至多9张图、3段视频、3段音频。比如”参考视频1的希区柯克运镜，让图片2里的角色按音频3开口唱歌”，H3会自己理顺上下文的关系。

核心架构由四部分撑起来：Contextual Omni Representation把上百K token的原始素材压缩到约4K token，让语言成为跨模态的通用桥梁；H3-VAE把序列有效长度扩展4倍，配合原生2K输出；H3-Omni Transformer把理解与生成的算力分离，训练吞吐约提高30%；In-Context Regeneration让2K输出由模型自身在上下文内重画，不用外挂超分模块，小字、品牌标识都能保住。

生成任务分三档：纯文本驱动的t2va、首尾帧关键帧驱动的fl2va，以及参考素材驱动的ref2va——后者能绑定主体图像与参考音色，做口型同步与语音克隆。

价格上，2K同档每秒单价不到主流闭源模型的三分之一，768p每秒不到主流模型720p的一半。硬件适配是同步推进的：AMD用SGLang在MI355X和MI300X上跑出Day 0支持，8卡序列并行；摩尔线程同日在国产AI训推卡MTT S5000上完成适配。开源采用MiniMax Community License，权重将在未来几天放出。

说白了，H3的看点不是又一个”文生视频”，而是把图像生成、参考控制、编辑拉到同一个框架里。OpenAI Sora 2、字节Seedance 2.5与谷歌Gemini Omni Flash分占不同赛道，H3在编辑与可控参考上领先，但纯文生视频和图生视频环节未必都第一。

我的判断是，2026年下半年AI视频工具的PK标准会从”几秒高清”改成”多模态可控+开源可改+多硬件可跑”。H3把三条都点上了。想试的话，盯紧开源权重放出的那一天。

来源：MiniMax Research 官方博客、AMD Developer Blog、36氪

]]> 千问 3.8-Max 首发：2.4 万亿参数拐点在哪 https://mylogs.cn/%e5%8d%83%e9%97%ae-3-8-max-%e9%a6%96%e5%8f%91%ef%bc%9a2-4-%e4%b8%87%e4%ba%bf%e5%8f%82%e6%95%b0%e6%8b%90%e7%82%b9%e5%9c%a8%e5%93%aa/ Mon, 03 Aug 2026 04:54:40 +0000 https://mylogs.cn/%e5%8d%83%e9%97%ae-3-8-max-%e9%a6%96%e5%8f%91%ef%bc%9a2-4-%e4%b8%87%e4%ba%bf%e5%8f%82%e6%95%b0%e6%8b%90%e7%82%b9%e5%9c%a8%e5%93%aa/ 你刷到一个数字，先别急着激动——2.4万亿参数、激活95B、千问史上首个开放权重的Max级模型，阿里2026年8月3日把Qwen3.8-Max端了出来。

千问 3.8-Max 首发：2.4 万亿参数拐点在哪
图片来源：腾讯网/IT之家

它走的是稀疏MoE（混合专家）架构，总参数2.4万亿，每次推理只激活约950亿。上下文长度顶到1M tokens，硬件、显存、推理延迟这些事留给模型自己。定价是国际版每百万token输入2美元、输出6美元，对标Claude Opus 5只到对手的40%和24%。国内千问AI平台价格为每百万token输入12元、输出36元。

动手能力方面，官方甩出三个真实案例：模型从零搭建oh-my-cli项目，无人工介入跑16天，265次提交、127个PR、151个issue；复现一篇推理论文并自我迭代，连续工作125小时、7600行代码、33轮GPU训练，AIME24比原方法再涨2.7分；参加WWW2025多模态对话挑战赛，24小时内击败458支人类队伍。芯片设计任务里，500轮交互把硬件门数从8298压到678，物理面积从106×106微米缩到46×46微米，整体缩小81%。

基准上，PaperBench 93.0、IFBench 82.8、HealthBench 60.2、CoWorkBench 74.8、JobBench 53.4，多项超过Anthropic Fable 5和GPT-5.6 Sol；OSWorld-Verified 86.1、MLVU 90.8，多模态也不落下风。

说白了，这版千问终于把”长程自主”摆到台面上了，标杆不再是单点刷分，而是能不能从一个空文件夹干完一个真实项目。权重下周登陆Hugging Face和ModelScope，Qwen3.8-27B同步开源。能调用Codex、Claude Code、Qoder这些主流框架，国内直接上qianwenai.com。

我的判断是，国产大模型真正可用的临界点，不是榜单分数，而是这种”扔进去一个目标，干完十几个工作日”的工程闭环。等开源权重放出来，你会拿它跑什么？先想好怎么用。

来源：千问官方博客、凤凰网科技、IT之家

]]>