技术方向
文本之外的能力：视觉理解、图文混合、音视频输入输出的模型与产品进展。
124 条精选近 30 天 91 条共收录 855 条
fal 推出 MCP Server，让 Claude、Cursor 等 AI 助手能直接搜索、运行和串联 fal 平台上的 1000 多个生成模型。该服务器提供 9 个工具，涵盖模型发现、执行和文件上传，用户只需配置 API 密钥即可在对话中完成图像生成、视频制作、语音合成等复杂工作流。服务本身免费，按标准 fal 定价支付模型调用费用。
推荐理由：通过 MCP 协议将上千个生成模型直接接入 Claude、Cursor 等 AI 助手，简化了多模态创作的工作流。
Together AI 扩展其微调服务，新增了对工具调用、推理和视觉语言模型的原生支持。服务升级了训练栈，可更高效地处理 100B+ 参数模型，吞吐量提升最高达 6 倍，并支持最大 100GB 的数据集。
推荐理由：Together AI 的微调服务新增了对工具调用、推理和视觉模型的支持，并提升了大规模模型训练的效率。
月之暗面发布 Kimi K2.5，一个开源的原生多模态智能体模型，基于 Kimi-K2-Base 连续预训练，支持视觉与语言理解、即时与思考模式、以及智能体群集执行。
推荐理由：原文提供了模型架构、评测基准和部署方式，读者可以据此判断其在多模态智能体方向的技术定位和应用潜力。
Qwen3-VL 现已在 Ollama 云端可用，本地版本即将推出。该模型具备视觉智能体、长上下文视频理解、高级空间感知、增强的多模态推理与视觉识别等能力。用户可通过 Ollama 的 CLI、API 及 JavaScript/Python 库免费使用云端模型，并支持 OpenAI 兼容的 API 端点。
推荐理由：Ollama 官方博客列出了 Qwen3-VL 在视觉智能体、长上下文、空间感知等方面的具体能力，并提供了详细的接入方式。