搜索
从视觉观察到策略生成，再到物理执行与完成判断，CodeActionBench 在统一条件下评测通用多模态 Agent 的机器人操作能力。在双臂仿真评测中，GPT-6 Astra (Codex CLI) 的尝试成功率达到 73.3%，Claude Opus 5 在 Reference harness 和 Claude Code 下分别取得 49.3% 和 45.3%。
什么？35B的MoE，在手机上也能跑得很丝滑？
传统多模态检索，往往要维护多套embedding模型。文本用一套 embedding，图片用一套视觉模型，音频再单独接一条链路。
vLLM Semantic Router推出并开源Decision 3.0系列多模态决策模型，覆盖0.6B至27B六款模型，其中d3在Jev Decision Index 0.3.1文本榜和视觉榜均排名第一。
对着屏幕说一句 “向左转”，画面随即展开新的视野；调整角色的动作，场景紧接着给出反馈。多模态交互要求视觉生成跟上人的操作，而漫长的等待会打断整个体验。
多模态模型的视觉原生Harness，来了！
VA-Bench测试12个主要多模态模型发现，Qwen3.8-max、Opus-5和GPT-5.6-sol虽在目标识别与定位上达100%、操作语义理解达99.6%—100%，完整任务成功率却仅为53.93%、52.86%和51.55%，暴露大模型从空间理解到执行与修正的断层。
六天后的 9 月 28 日，MiniMax 上线了 M3.1-Flash-Preview。这是 M 系列的最新模型，百万 token 上下文、原生多模态，在 MiniMax Code 里首发上线，目前也可以通过 API 订阅套餐调用。
能跟人类舞者Battle的机器人，有点意思。不仅能实时斗舞、学习能力也一流，动作看一遍就能复刻，连托马斯都转上了。银河星仔ET1，舞技了得～这是银河首创全自研物理世界原生智能体，专为人形机器人实时多模态交互和运动打造。
openJiuwen WorkSwarm首发全双工多模态能力，实现用户在前台像聊天一样随时与Agent交互、插话和追问，复杂任务则交给后台Core Agent独立执行，且原生亲和昇腾算力，支持基于华为云ModelArts与vLLM-Omni框架在昇腾NPU上部署。