Mistral 3是Mistral AI发布开源的最新多模态大模型系列，包含旗舰模型Mistral Large 3（675B总参数）和轻量版Ministral系列（3B/8B/14B），均支持图像理解与多语言处理，采用Apache 2.0协议开源。其中Mistral Large 3在开源模型中性能排名前列，Ministral系列以高性价比著称，14B推理版本在AIME 2025测试中准确率达85%。特别适配边缘设备部署，兼顾企业级应用需求，如智能客服和数据分析。
GigaWorld-0是国内具身智能创业公司极佳视界（GigaAI）开源的世界模型框架，主要用于解决具身智能（Embodied AI）领域的数据瓶颈问题。高效生成高质量、多样化且物理真实的训练数据，推动具身 AI 的发展。包含两个核心组件：GigaWorld-0-Video 和 GigaWorld-0-3D。前者通过大规模视频生成技术，精细控制环境外观、摄像机视角和动作语义，生成纹理丰富、时间连贯的具身交互视频序列；后者结合 3D 建模、高斯点绘制重建、物理可微系统辨识和运动规划，确保数据的几何一致性和物理真实性。
Vidi2是字节跳动开源的第二代多模态视频理解与生成大模型，专注于视频内容的理解、分析和创作。支持文本、视频、音频三种模态的联合输入，能同时理解画面内容、声音信息以及自然语言指令，实现跨模态的交互与推理。可精准定位视频中特定事件或目标对象的时间范围和空间位置，模型能自动标注出对应的时间段和画面中的目标区域，误差可精确到毫秒级。能处理数小时长的原始视频素材，快速检索出符合特定语义的片段。
Alpamayo-R1是英伟达研发的具有推理能力的视觉-语言-行动（VLA）模型，专为提升自动驾驶在复杂场景中的决策能力设计。通过引入因果链推理机制，让车辆能像人类驾驶员一样分析场景因果关系（如“因前方有行人需减速”），而非单纯执行预设指令。模型采用多摄像头输入和轻量级编码技术降低计算成本，并通过强化学习优化轨迹规划，实测在长尾场景中使事故风险降低35%。创新点包括结构化因果标注数据集和模块化设计，支持实时推理延迟低于100毫秒。
Ovis-Image 是阿里巴巴国际数字商务集团 AIDC-AI 团队开源的 70 亿参数文生图模型，专注于高质量文本渲染。基于 Ovis-U1 架构，继承了先进的视觉解码器和双向 Token 精炼器，能处理复杂的文本布局需求，如海报、横幅、LOGO 等。Ovis-Image 在文本渲染方面表现出色，支持多种字体、尺寸和长宽比，同时保持清晰可辨的文本和语义连贯性。
悟界·Emu3.5是北京智源人工智能研究院开源的多模态世界大模型，参数量达340亿，具备原生世界建模能力。通过10万亿多模态Token（含790年视频数据）训练，能模拟物理规律，实现图文生成、视觉指导、世界探索等任务。创新的"离散扩散自适应"技术使其图像生成速度提升20倍，性能超越Nano Banana模型。模型已开源，适用于具身智能、虚拟场景构建等领域。
刚刚，Transformers v5 发布首个 RC（候选） 版本 v5.0.0rc0。
