TC
微软推出三款新基础模型 强势挑战AI对手
微软AI部门（MAI）在成立仅六个月后，重磅发布三款全新基础模型。这些模型具备语音转录文本、音频生成以及图像生成功能，标志着微软在多模态AI领域的强势进军。面对OpenAI、Google等劲敌，微软此举旨在抢占AI基础设施高地，提升其在生成式AI市场的竞争力。模型支持实时处理和高效训练，预计将广泛应用于智能助理、内容创作等领域，推动AI应用落地。
多模态AI (共16篇)
ARS
Gemini 3.1 Flash Live首发：对话机器人难辨真伪
谷歌全新对话式音频AI Gemini 3.1 Flash Live今日上线搜索、Gemini应用及开发者工具。该模型以超低延迟实现自然语音交互，声音逼真度大幅提升，可能让用户难以分辨人与AI。继Gemini系列迭代后，此次Live版聚焦实时对话，挑战传统机器人检测机制。专家担忧隐私与真实性界限模糊，但也预示多模态AI新时代到来。（128字）
AIN
多模态AI革新金融：自动化复杂工作流
金融领袖正积极采用强大多模态AI框架，自动化复杂工作流。从非结构化文档提取文本一直是开发者痛点。传统OCR系统难以准确数字化复杂布局，常将多栏文件、图片和分层数据集转为乱码文本。新兴多模态AI通过整合视觉与语言模型，精准解析图像、表格和手写内容，大幅提升效率。金融行业正从中受益，加速从合同审核到风险评估的全流程自动化，推动数字化转型。（128字）
Meta Llama 3.2视觉模型重磅发布：开源多模态AI迈入移动时代
Meta正式推出Llama 3.2 11B和90B视觉模型，支持图像理解与手机端部署，开源下载量迅速破纪录。开发者称赞其高效低成本，互动量激增，此举标志开源多模态AI向移动设备扩展，助力AI普惠化。
Google Gemini 2.0多模态升级：视频理解与代理能力双双跃升，基准测试超Sora
Google近日预告Gemini 2.0，将在视频理解和代理功能上实现重大突破，基准测试成绩超越OpenAI的Sora模型。该消息在X平台引发热议，开发者帖互动超4万，凸显多模态AI成行业趋势，Google正加速抢占视频生成市场，挑战OpenAI主导地位。
TC
Claude Code 语音模式上线，Anthropic 强势进军AI编程领域
Anthropic 近日推出 Claude Code 的语音模式功能，进一步强化其在 AI 编码领域的竞争力。这一创新允许开发者通过语音指令与 AI 协作编程，提升效率并降低门槛。语音模式支持实时对话式编码指导、代码审查和调试，标志着 AI 工具从文本向多模态交互演进。结合 Anthropic 的安全优先理念，此功能或将挑战 GitHub Copilot 和 Cursor 等竞品，推动编程范式变革。（128字）
Gemini 2.0泄露细节曝光：多模态能力或超Sora，Google AI布局备受瞩目
据泄露信息，Google Gemini 2.0多模态能力大幅提升，视频理解性能超越OpenAI Sora。一则X平台猜测帖互动超9万次，叠加Google I/O延期，市场期待值飙升，或重塑AI竞争格局。（98字）
ARS
谷歌发布Gemini 3.1 Pro：复杂问题解决能力大幅提升
谷歌近日宣布推出Gemini 3.1 Pro模型，宣称其专为‘最棘手挑战’设计，在复杂问题解决方面表现出色。该模型在长上下文理解、多步推理和多模态任务上实现突破，超越前代，支持更高效的工具调用和实时决策。谷歌强调，Gemini 3.1 Pro将助力科研、工程等领域应对高难度场景。随着AI竞赛加剧，此次升级凸显谷歌在推理能力上的领先布局。（128字）
TC
谷歌Gemini应用新增音乐生成功能，支持文本图像视频输入
谷歌近日为Gemini应用注入音乐生成能力，用户可通过文本描述、图像或视频作为参考，轻松创作原创音乐。这项多模态功能标志着AI从文本到多媒体生成的全面进化，将极大提升用户创意表达。结合Gemini的强大模型，该功能支持多种音乐风格生成，并可实时调整，适用于音乐爱好者和专业创作者。未来，这或将重塑音乐创作生态，推动AI在娱乐行业的深度融合。（128字）
TC
印度AI实验室Sarvam新模型：开源AI可行性的重大押注
印度AI初创公司Sarvam推出全新模型阵容，包括30亿和105亿参数大语言模型、文本转语音模型、语音转文本模型，以及用于文档解析的视觉模型。这一发布标志着Sarvam对开源AI未来的坚定信心，在全球AI竞争中突出印度本土创新力量。这些模型针对印度多语言环境优化，支持印地语等本地语言，有望推动开源生态在新兴市场的快速发展。
xAI发布Grok-1.5 Vision：多模态AI能力领先GPT-4V，实时X数据加持引爆热议
xAI推出Grok-1.5 Vision，支持图像、图表、meme等多模态理解，在RealWorldQA基准超越GPT-4V。Elon Musk亲自演示，强调实时X数据优势，帖子获30万点赞。xAI高速迭代、免费开放，挑战OpenAI多模态霸主地位，引发业内与粉丝热议。（98字）
Meta Llama 3.2视觉模型发布：轻量级多模态AI开启手机时代
Meta推出Llama 3.2系列，支持图像理解和多模态推理，轻量版1B参数模型可在手机高效运行。基准测试领先开源竞争对手，X平台互动超4万，开发者赞誉其开源高效，推动多模态AI向边缘设备落地。
百度文心一言4.0 Turbo版重磅发布：推理速度飙升3倍，中文多模态能力领跑
百度文心一言4.0 Turbo版正式上线，推理速度提升3倍，支持中文多模态输入输出。演示视频在中文圈刷屏，开发者实测性能媲美GPT-4。X平台相关话题阅读量破亿，得益于本土优化，该版本迅速引爆讨论，成为AI产品发布热点。
Google Gemini 2.0 Flash正式发布：轻量高速多模态AI模型引爆开发者热潮
Google近日推出Gemini 2.0 Flash，轻量级高速版多模态AI模型，支持文本、图像、音频等输入，低延迟特性适用于实时应用。开发者基准测试互动超10万，备受青睐，推动浏览器AI集成浪潮。
Moonshot AI Kimi新版上线：长上下文与多模态能力点燃中文AI热潮
Moonshot AI推出的Kimi聊天机器人新版支持超长上下文和多模态交互，中文处理能力领先全球。在X和微博上互动量破百万，用户誉为‘国产GPT杀手’。这一发布标志着中国本土AI加速崛起，下载量激增，挑战国际巨头格局。
xAI Grok-2正式上线：多模态能力媲美顶尖模型，Elon Musk亲测引爆热议
xAI推出Grok-2和Grok-2 mini两大模型，支持图像理解、实时X数据接入，基准测试成绩直追Claude 3.5 Sonnet。Elon Musk亲自演示幽默互动，获百万级X平台反响。无审查设计与开发者API开放，进一步点燃AI社区热情。