统一理解与生成，跨图像、视频、音频的模型能力和技术报告。
World Labs 宣布 Marble 多模态世界模型面向所有用户开放，可从文本、图像、视频或粗略 3D 布局生成 3D 世界。Marble 支持交互式编辑、扩展和组合世界，并可导出为 Gaussian splats、网格或视频；同时推出创作中心 Marble Labs。
推荐理由：Marble 将文本、图像、视频和粗略 3D 布局纳入同一创作流程，并提供编辑、扩展与导出能力，可用于判断其对世界构建工作流的适配度。
字节跳动 Seed 团队正式发布新一代图像创作模型 Seedream 4.0，用同一套架构统一文生图与通用编辑能力，并融合常识与推理。相比 Seedream 3.0 和 SeedEdit 3.0，其多模态玩法、风格化美感、逻辑理解力均有提升，最高分辨率从 2K 扩展至 4K，DiT 生图推理速度提升超 10 倍。
推荐理由：官方给出统一架构下的生成与编辑能力、4K 与推理加速细节，可据此判断图像创作工具链的选型方向。
字节跳动 Seed 团队发布端到端同声传译模型 Seed LiveInterpret 2.0，支持中英互译，采用全双工语音理解生成框架实现边听边说，翻译延迟低至 2-3 秒，较传统机器同传降低超 60%。
推荐理由：官方给出中英同传的准确率、延迟与声音复刻数据，可据此判断实时语音翻译的可用边界。
字节跳动 Seed 团队发布视频生成基础模型 Seedance 1.0，支持文字与图片输入，可生成多镜头无缝切换的 1080p 视频，并已公开技术报告。官方称在第三方评测榜单 Artificial Analysis 的文生视频、图生视频两个任务上均位居首位，5 秒 1080p 视频在 L20 上实测推理耗时 41.4 秒。模型已通过即梦、豆包及火山引擎 API 开放使用，技术报告可在项目主页查看。
推荐理由：官方技术报告披露了多镜头叙事、统一任务框架与推理加速的具体设计，可供视频生成选型与创作流程参考。
Replicate现已支持运行 OpenAI 的 GPT-4.1、GPT-4o 和 o-series 等聊天、视觉与推理模型。GPT-4.1系列支持最长 1 million tokens 的上下文，GPT-4o系列处理文本、图像和音频，o-series面向数学、科学与复杂问题的结构化推理。
推荐理由：材料按上下文、模态、推理任务和成本速度列出模型差异，并给出 Replicate 网页界面与 API 的操作入口。
豆包实时语音大模型正式推出，并在豆包 APP 全量开放，升级至 7.2.0 版本即可体验。该模型是语音理解与生成一体化的端到端语音系统，相比传统 ASR+LLM+TTS 级联模式，具备低时延、对话中可随时打断、情绪承接和语音指令控制等特性，主要面向中文语境，可进行英语对话但暂不支持多语种。
推荐理由：官方给出端到端语音架构、众测维度与满意度对比，可用于判断实时语音交互的落地程度与能力边界。