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。
GELab-Zero是阶跃团队开源的端侧多模态GUI Agent模型，基于Qwen3-VL-4B-Instruct基座模型构建，参数量为4B。能识别UI元素并执行点击、滑动等操作，支持跨应用任务处理（如外卖、出行等场景），具备零样本适应能力，可适配未见过的App。模型采用Apache 2.0协议开源，支持Ollama快速启动，自动处理ADB连接和依赖安装，提供任务录制回放功能。在AndroidDaily基准测试中，准确率达73.4%，性能超越同尺寸主流模型，优于参数量更大的GUI-Owl-32B。
Depth Anything 3（DA3）是字节跳动Seed团队研发开源的3D视觉重建模型。通过单一Transformer架构实现任意视角下的空间几何重建，仅需预测深度图和射线图即可还原三维场景，相比传统方法精度提升35.7%，运行效率达126 FPS。其创新点在于采用"深度-射线"统一表征法，无需多任务模块，支持从单张图片到多视角视频的灵活处理，能适配自动驾驶、SLAM等场景。模型在视觉几何基准测试中全面超越现有方法，相关代码和演示已公开。
