近年来，视频多模态大模型（VideoLLM）发展迅猛，在视频描述、视频问答、时序定位等任务上不断刷新性能上限。随着模型能力持续增强，业界也开始思考一个更重要的问题：视频大模型能不能不再只是 “看完一段视频再回答”，而是真正进入实时世界，持续观察、实时理解，并在关键时刻主动给出反馈？
近日，AI内容电商OS K2Lab宣布再次完成数千万元天使轮融资，这也是K2Lab三个月以来完成的第二轮融资，本轮融资由华控资本领投、云时资本跟投，心流资本FlowCapital担任长期财务顾问。本轮融资资金将用于A2A原生电商Agent OS建设、多模态垂直模型打造、海外用户规模化增长和AI Native团队的持续建设。
就在刚刚，成立恰满一个月的阿里ATH（Alibaba Token Hub）事业群，发布全球首个主动式实时交互的世界模型产品。名也挺有趣的，叫HappyOyster（快乐生蚝）。HappyOyster搭载原生多模态架构，背后是支持多模态输入与音视频联合生成的流式生成世界模型，核心主打漫游（Wander）、导演（Direct）、创造（Create）、分享（Share）。
近日，国内多模态生成式人工智能公司智象未来（HiDream.ai）宣布完成超5亿元新一轮融资。本轮融资由东方富海、安徽省投资集团旗下的省产业投资公司、峰华资本等新股东联合投资，同时合肥产投、兴泰集团、合肥高投、安徽省人工智能母基金等老股东持续加注。
今日，腾讯正式发布并开源混元3D世界模型2.0（HY-World 2.0）。作为一款多模态的世界模型，HY-World 2.0支持文字、图片和视频等形式输入，可自动生成、重建并模拟完整的3D世界。
过去一段时间，生成理解统一模型（Unified Model）经常被理解成一种「既能看懂图、又能生成图」的多模态通用系统。
近日，上海人工智能实验室联合南京大学、香港中文大学及上海交通大学，将OpenClaw的成功应用于多模态生成领域。他们提出GEMS（Agent-Native Multimodal Generation with Memory and Skills），激发小模型潜力，甚至让6B小模型在部分任务超越了Nano Banana 2。
多模态大推理模型的幻觉，很多时候并非「没看见」，而是在最不确定的推理阶段想偏了。最新研究发现，模型在生成because、however、wait等transition words时，往往处于高熵关键节点，更容易脱离图像证据、转向语言脑补。LEAD在高熵阶段不急于输出单一离散token，而是先在潜在语义空间保留多种候选推理方向，并通过视觉锚点持续拉回图像证据，显著缓解幻觉。
生成式模型当检索器大材小用效果还不好？
今天，智谱发布 GLM-5V-Turbo，定位「面向视觉编程的多模态 Coding 基座模型」。一句话概括：在 GLM-5-Turbo 的编程和龙虾能力基座上，加入了原生的视觉理解和推理能力
