标签：多模态
五百行代码打造SOTA视觉智能体！UniPat AI最新开源
SWE-Vision是一种极简的视觉智能体框架，旨在通过让模型编写并执行Python代码来弥补其在基础视觉任务中的精度缺陷。研究发现，尽管当前多模态大模型在编程能...
AI的七窍打通了！谷歌发布Gemini Embedding 2原生多模态嵌入模型
谷歌正式发布了名为 Gemini Embedding 2 的新型基础架构，实现了 AI 像人类一样用五种感官同步感知世界。这个系统将文字、图像、视频、音频和文档数据全部整...
谷歌AGI底座降临！首个原生全模态嵌入模型上线，已实现全模态SOTA
谷歌正式发布了首个原生全模态 Embedding 模型 Gemini Embedding 2，该模型能够将文本、图像、音视频及 PDF 文档无损融合于统一向量空间。这一突破性进展实现...
14B规模竟也能单卡实时生成视频？多亏这个强大的开源底座
春节期间Seedance 2.0爆火推动视频生成领域关注度提升，字节跳动联合北大、安努智能、Canva开源具备实时生成能力的Helios视频模型家族，包含三个版本，全面覆...
北大王选所彭宇新团队：让多模态大模型学会「看懂物种关系」丨CVPR 2026
当前多模态大模型推动视觉理解能力提升，已在多种视觉任务中实现较高水平的识别推理，但在复杂层级视觉识别任务中仍存在明显不足。现实世界诸多视觉概念天然...
彻底告别VE与VAE！商汤硬核重构多模态：砍掉所有中间编码器
当前多模态大模型领域长期遵循搭配视觉编码器负责感知理解、变分自编码器完成内容生成的默认范式，这种设计在感知与生成之间留下天然鸿沟，后续业界提出的共...
上海一群青年，造了个学术版OpenClaw
在心肌病基因调控网络的单细胞转录组学数据分析场景中，一款AI可从5亿篇文献中精准定位相关研究，14个智能体并行工作，经11轮迭代将性能提升11%以上，原本研...
阶跃星辰杀入季后赛，强势跻身AI“新六小虎”第一梯队
国产大模型圈的季后赛已紧锣密鼓拉开帷幕。一方面，字节豆包、阿里千问、腾讯元宝等巨头砸超40亿元红包吸引用户，除夕夜豆包AI互动达19亿次，千问“一句话下单...
端侧天花板！Qwen3.5家族强悍系列模型来袭
模型性能极限突破放缓，但模型进化依然在向着极致的能效加速，新一代语言系统摆脱单纯堆砌物理算力的传统路径，转而依靠混合计算网络、高质量清洗数据及强化...
可灵3.0系列模型正式上线：属于每个人的导演时代来临
可灵AI 3.0系列模型的发布标志着AI视频创作进入影视级导演时代。该系列包含视频3.0、视频3.0 Omni及图片3.0、图片3.0 Omni模型，覆盖从生成到后期的全流程链...
