OpenAI聘请苹果前硬件高管保罗·米德，他曾领导Vision Pro团队及智能眼镜开发，现加入其硬件部门主导全新AI设备研发，显示OpenAI加速布局AI原生硬件的战略升级。
苹果Xcode 26.6 正式发布，编程助手新增 Google Gemini 支持，开发者可在 Anthropic Claude Agents 和 OpenAI Codex 之外多一个 AI 辅助选项。该版本集成 Swift 6.3.3，并同步更新 iOS、iPadOS、tvOS、watchOS、visionOS 及 macOS 26.5 全平台 SDK。
阿里发布多模态大模型Qwen3.7-Plus，在文本能力基础上增强视觉-语言功能，统一为智能体基座。该模型融合GUI与CLI交互，实现从原型到软件工程的端到端自动化，并在Vision Arena榜单中表现强劲。
苹果在第15个全球无障碍意识日发布了全新辅助功能，融合Apple Intelligence技术，提升残障人士在iPhone、Mac和Vision Pro上的体验。VoiceOver功能升级，新增图像资源管理器，视障用户可通过AI识别图像内容，实现更便捷的视觉辅助。
AI搜索可见性平台，可跟踪、分析和优化品牌在多AI平台的可见性。
Vision AI驱动的移动应用测试工具，支持iOS和安卓，可消除选择器维护。
Decart Vision平台利用AI实现图像、视频生成与编辑，无需等待创意产出。
VisionFX是一款AI创意工作室，利用先进的人工智能技术即时生成图片、视频、音乐、语音等。
Bytedance
$0.8
输入tokens/百万
$8
输出tokens/百万
256
上下文长度
Tencent
-
24
$3
$9
128
16
$1.5
$4.5
32
$18
6
Moonshot
$5
$20
$10
$30
131
$2
8
mitegvg
该模型是基于VideoMAE架构的暴力检测模型，在Kinetics数据集预训练的基础上，针对暴力检测任务进行了92轮微调。模型采用Vision Transformer架构，专门用于视频内容分析，能够识别视频中的暴力行为。
birder-project
这是一个基于RoPE（旋转位置编码）的Vision Transformer模型，参数规模为150M，采用14x14的patch大小。该模型在约2100万张图像的多样化数据集上进行了预训练，可作为通用视觉特征提取器使用。
timm
这是一个基于DINOv3架构的Vision Transformer图像特征编码器，通过从7B参数的DINOv3 ViT模型在LVD-1689M数据集上进行知识蒸馏得到。该模型专门用于图像特征提取任务，具有强大的视觉表示能力。
dinhquangson
MonkeyOCR-pro-1.2B Vision GGUF 是一款高性能的视觉语言模型，专注于光学字符识别（OCR）和文档分析。该模型采用GGUF格式，支持多语言处理，具备出色的OCR精度和推理速度，适用于各种文档处理场景。
John6666
Realistic Vision V5.1 是一个基于 Stable Diffusion XL 的文本到图像生成模型，专注于生成高质量、逼真的人物肖像和场景图像。该模型支持多种风格，包括写实、动漫、游戏等，能够生成具有高度真实感的人物、女演员肖像以及动漫风格图像。
facebook
DINOv3是Meta AI开发的一系列通用视觉基础模型，无需微调就能在多种视觉任务中超越专门的先进模型。该模型采用Vision Transformer架构，在16.89亿张网络图像上预训练，能生成高质量的密集特征，在图像分类、分割、检索等任务中表现出色。
CohereLabs
Cohere Labs Command A Vision是一个拥有1120亿参数的企业级视觉语言模型，专为图像理解任务优化，在保持高性能的同时具有较低的计算需求。该模型支持多语言输入和输出，能够处理图像和文本的多模态输入。
Acly
BiRefNet是一个用于二分类图像分割的深度学习模型，专门用于背景去除任务。该模型经过GGUF格式转换，可在消费级硬件上通过vision.cpp进行轻量级推理，实现高效的图像分割处理。
prithivMLmods
基于Qwen2.5-VL-3B-Instruct微调的视觉OCR模型，专注于文档级OCR、长上下文视觉语言理解和数学LaTeX格式转换
Ricky06662
VisionReasoner是基于强化学习的统一视觉感知与推理模型，通过强化学习框架将视觉感知和推理任务整合到一个统一的系统中，为视觉领域的复杂任务提供了创新的解决方案。
VisionReasoner-7B是一个图像文本到文本的模型，采用解耦架构，由推理模型和分割模型组成，能解读用户意图并生成像素级掩码。
p1atdev
基于Vision Transformer架构的视觉模型，采用SigLIP（Sigmoid Loss for Language-Image Pretraining）训练方法，适用于图像理解任务。
ISxOdin
基于Google Vision Transformer (ViT)微调的宠物品种分类模型，在Oxford-IIIT宠物数据集上达到94.45%准确率
UCSC-VLAA
VLAA-Thinker是一个创新的视觉语言模型，能够同时处理图像和文本输入，并生成高质量的文本输出。该模型基于论文《SFT or RL? An Early Investigation into Training R1-Like Reasoning Large Vision-Language Models》的研究成果开发，专注于类似R1的推理能力。
tue-mps
该论文提出了一种将Vision Transformer (ViT) 重新解释为图像分割模型的方法，展示了ViT在图像分割任务中的潜力。
该论文提出了一种将Vision Transformer (ViT) 重新解释为图像分割模型的方法，揭示了ViT在图像分割任务中的潜力。
该论文提出了一种基于Vision Transformer (ViT) 的图像分割模型，揭示了ViT在图像分割任务中的潜力。
该模型揭示了Vision Transformer (ViT) 在图像分割任务中的潜力，通过特定架构调整使其适用于分割任务。
该论文提出的模型揭示了Vision Transformer (ViT)在图像分割任务中的潜在能力。
展示计算机视觉工具与语言模型通过MCP的集成
MCP Vision Relay 是一个 MCP 服务器，通过封装本地安装的 Gemini 和 Qwen 命令行工具，为 Claude、Codex 等仅支持文本的 MCP 客户端提供图像分析能力，使其能够处理本地路径、URL 或 base64 编码的图片。
YOLO MCP服务是一个强大的计算机视觉服务，通过模型上下文协议(MCP)与Claude AI集成，提供物体检测、分割、分类和实时摄像头分析功能。
基于Google Gemini Vision API的YouTube视频分析MCP服务，提供视频描述、摘要、问答和关键片段提取功能。
Orion Vision MCP服务器是一个基于Model Context Protocol（MCP）的开源项目，提供与Azure文档智能服务的无缝集成，支持多种文档类型的分析和数据提取功能。
专为AI视觉工作流优化的网页截图工具，自动分块为1072x1072像素以适应Claude Vision API处理需求
一个基于MCP协议的服务器，可通过Nature Vision API识别图像中的生物物种（如植物、动物、真菌等），并返回拉丁学名和置信度，旨在为LLM提供物种识别工具。
一个用于Microsoft OneNote的MCP服务器，允许AI代理读取、创建和分析OneNote笔记本、分区和页面，包括通过Claude Vision自动提取图像中的文本内容。
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
'%3e%3cpath%20d='M55.2622%2038L48.2289%2022L44.1206%2031.3333H47.2539L45.7872%2034.6667H38.7622L46.0956%2018H37.6706C36.7539%2018%2036.0039%2018.75%2036.0039%2019.6667V36.3333C36.0039%2037.25%2036.7539%2038%2037.6706%2038H55.2622Z'%20fill='white'/%3e%3cpath%20d='M64.3368%2018H50.3535L59.1535%2038H64.3368C65.2535%2038%2066.0035%2037.25%2066.0035%2036.3333V19.6667C66.0035%2018.75%2065.2535%2018%2064.3368%2018ZM63.0868%2034.6667H59.7535V21.3333H63.0868V34.6667Z'%20fill='%23FFCC66'/%3e%3cpath%20d='M89.3379%2026.75V29.25H81.8379V36.75H91.8379V24.25H81.8379V26.75H89.3379ZM84.3379%2034.25V31.75H89.3379V34.25H84.3379Z'%20fill='white'/%3e%3cpath%20d='M103.504%2036.75V29.25H96.0039V26.75H103.504V24.25H93.5039V31.75H101.004V34.25H93.5039V36.75H103.504Z'%20fill='white'/%3e%3cpath%20d='M115.17%2026.75V24.25H105.17V36.75H115.17V34.25H107.67V31.75H115.17V29.25H107.67V26.75H115.17Z'%20fill='white'/%3e%3cpath%20d='M80.1712%2029.25V29.175L78.9962%2028L80.1712%2026.825V20.425L78.9962%2019.25H69.3379V36.75H78.9962L80.1712%2035.575V29.25ZM77.6712%2034.25H71.8379V29.25H77.6712V34.25ZM77.6712%2026.75H71.8379V21.75H77.6712V26.75Z'%20fill='white'/%3e%3c/g%3e%3cg%20clip-path='url(%23clip1_644_3948)'%3e%3cpath%20d='M169.59%2022.9827L169.59%2023.6491H177.409L168.175%2032.8822L169.118%2033.8248L178.351%2024.5917L178.352%2032.4106H179.685V22.3164L179.018%2022.3157H169.59V22.9827Z'%20fill='white'/%3e%3c/g%3e%3cdefs%3e%3cclipPath%20id='clip0_644_3948'%3e%3crect%20width='80'%20height='20'%20fill='white'%20transform='translate(36%2018)'/%3e%3c/clipPath%3e%3cclipPath%20id='clip1_644_3948'%3e%3crect%20width='20'%20height='20'%20fill='white'%20transform='translate(164%2018)'/%3e%3c/clipPath%3e%3c/defs%3e%3c/svg%3e)
