技术方向
文字之外的能力：看懂图片、图文混合理解、音视频输入输出的模型与产品进展。
4 条精选近 30 天 4 条共收录 101 条
AFK AI 团队的 Comma 采用单 Router 加多 Worker 架构，让用户在一个对话中并行推进任务，并由 Agent 汇总结果。系统通过 Salix 接入微信、Signal、iMessage、Linear 等渠道，支持 BYOK、Codex 和 Claude Code，还可离线运行并持续更新专属小模型。
推荐理由：文章以任务并行、跨应用接力和长期记忆三个场景，呈现 Comma 的单 Router、多 Worker 架构如何落地。
Google 正式推出 Gemini Omni 1.2 Flash 视频生成模型，并在 Gemini API 与 Gemini for business 平台开放使用。模型支持原生最长 15 秒视频生成、多轮对话式编辑和参考遵循，较 1.1 版本降价 30%，720p 价格为每秒 0.07 美元；开发者可通过 Google AI Studio 调试，企业用户可在谷歌云控制台体验。
推荐理由：原文列出 Gemini Omni 1.2 Flash 的时长、价格、编辑和一致性变化，并提供各平台入口。
蚂蚁百灵推出原生多模态模型 Ling-3.2-flash，具备 560B 总参数、约 25B 激活参数和 1M 上下文窗口。
推荐理由：模型以原生多模态、MoE 参数配置和较低 API 定价切入企业应用，评测结果可用于对照其视觉与 Agent 能力。
爱范儿在 WorkBuddy 中实测腾讯 Hy4 正式版，模型可依据录屏复刻网页迷你 MOBA，并完成办公文档、3D 场景及应用开发等长程任务。测试覆盖多模态视觉理解、连续电脑操作和错误后的计划调整，作者认为其日常办公与创意任务的交付能力明显优于 preview，但复杂流程仍可能需要多轮交互。
推荐理由：通过办公、编程、3D 建模和游戏复刻等实测，呈现 Hy4 接入 WorkBuddy 后的长程执行与多模态表现。