标签：多模态模型
美团AI新品，专为程序员配送：不挑Python还是C++
美团近期推出了一款名为Meituan CatPaw的AI IDE编程工具，旨在通过Agent驱动编程体验革新，帮助开发者提升效率。该工具目前免费开放，支持多种主流编程语言，...
成为具身智能“大脑”，多模态世界模型需要具备哪些能力？丨ToB产业观察
北京智源研究院最新发布的悟界·Emu3.5多模态世界大模型标志着人工智能技术的重大突破。这款参数量达34B的模型通过自研DiDA技术将推理速度提升20倍，并以'Next...
邱锡鹏团队新作：让机器人学会「察言观色」
复旦大学、上海创智学院及新加坡国立大学研究团队近期发布的RoboOmni框架，突破了传统视觉-语言-动作（VLA）模型的局限，通过全模态整合实现了机器人对隐含意...
中英双语、29项第一、像素级理解：360 FG-CLIP2登顶全球最强图文跨模态模型
当前AI生成的视觉内容虽然炫酷，但在细节理解和空间关系处理上仍存在明显缺陷。例如，要求生成「穿红外套的猫站在蓝色跑车左边」或搜索「引擎盖有鸟粪的特斯...
智源悟界·Emu3.5发布，开启“下一个状态预测”！王仲远：或开启第三个 Scaling 范式
智源研究院于2024年10月发布的悟界·Emu3是全球首个基于'Next-Token Prediction'的原生多模态世界模型，实现了图像、文本、视频的统一处理。一年后升级的Emu3....
语言模型之后，智源 EMU3.5 找到了 AI 的「第三种 Scaling 范式」
智源研究院发布的「悟界 EMU3.5」多模态世界大模型，标志着人工智能从语言学习向多模态世界学习演进的新阶段。在当前大语言模型文本能力逐渐触顶的背景下，多...
刚刚，智源悟界·Emu3.5登场，原生具备世界建模能力
北京智源人工智能研究院发布了其多模态系列模型的最新力作——悟界・Emu3.5，被定义为“多模态世界大模型”。这一模型通过在超过10万亿的多模态Token上进行端到端...
字节用LLaVA + SAM-2抢先实现了SAM-3，用概念分割，无需位置标注
加州大学默塞德分校、字节跳动Seed团队、武汉大学和北京大学的研究人员成功将LLaVA和SAM-2两个AI模型整合，创造出名为Sa2VA的新型多模态系统。这一突破性成果...
万字硬核解读SAM 3：不止分割一切，它开始理解世界了
Meta最新的SAM 3模型在计算机视觉领域实现了重大突破，将分割模型从简单的视觉交互工具升级为能理解语义概念的视觉-语言多模态模型。该模型通过可提示概念分...
全球第一，最强OCR之神诞生！百度这个0.9B开源模型问鼎SOTA
百度最新发布的PaddleOCR-VL模型在全球权威文档视觉语言理解基准OmniDocBench V1.5中以92.6分的综合成绩登顶榜首，成为首个在文本识别、公式识别、表格理解与...
