多模态模型

在人工智能领域，模型往往面临“专才”与“全才”的抉择：有的擅长理解图片内容，有的精于生成精美画作，但鲜有模型能同时精通“看、想、画、改”四项技能。 上海人工智能实验室正式推出 InternVL-U，一...

谷歌今日通过 Gemini API 和 Vertex AI 正式开放 Gemini Embedding 2 的公开预览。这是谷歌首个基于 Gemini 架构构建的原生多模态嵌入模型，能够将文本、图像...

“当所有人都在堆砌数据和参数时，腾讯选择了一条更本质的路：重新设计视觉编码器，让‘看’和‘想’在同一个空间里对话。” 在视觉语言模型（VLM）领域，主流范式长期依赖通过大规模对比学习（如 CLIP、S...

“大模型的未来不在于无限堆砌参数，而在于如何让每一分算力都产生价值。” 浪潮旗下 YuanLab.ai 团队正式开源 源 3.0 Ultra (Yuan3.0 Ultra)。这是一款从零开始预训练的超...

在视觉语言模型（VLM）竞相追逐千亿参数、万亿训练词元的今天，微软反其道而行之，发布了 Phi-4-reasoning-vision-15B。 官方介绍：https://www.microsoft.c...

在数字设计领域，动画是灵魂，但高质量动画的制作门槛却高不可攀。现有的 AI 视频生成工具大多输出“死视频”（MP4/GIF）——无法放大、无法修改颜色、无法提取元素。而设计师钟爱的 Lottie 矢量...

在食品安全日益受到重视的今天，如何利用 AI 技术实现高效、精准的数字化治理，成为外卖平台与餐饮零售行业共同面临的挑战。今日，淘宝闪购正式宣布，将其专为餐饮服务与零售门店打造的风控治理垂直领域大模型...

脑电图（EEG）研究长期面临着一个棘手难题：信号噪声大、电极脱落导致数据缺失、以及高密度采集成本高昂。传统处理方法往往依赖复杂的数学插值或手工设计的滤波器，不仅效果有限，还难以适应多变的实际场景。 Z...

在传统的计算机视觉中，AI 擅长回答“这是什么？”（分类）或“它在哪里？”（检测/分割）。如果你问它：“把左边那个红色的杯子框出来”，它能做得很好。 但如果你问：“哪个行李箱可以单独拿走而不弄倒整堆行...

当前主流的“图像思考”方法，虽能通过迭代放大感兴趣区域提升细粒度感知能力，却存在致命短板——重复的工具调用与视觉重新编码，导致推理延迟居高不下，难以适配实际应用场景。 针对这一痛点，蚂蚁集团 incl...

蚂蚁集团 inclusionAI 团队正式推出 Ming-flash-omni 2.0，搭载全新 Ling-2.0 混合专家（MoE）架构，以总参数 100B、激活参数 6B 的高效配置，在开源全能型...

阿里国际正式推出 Ovis2.6-30B-A3B 多模态大语言模型，作为 Ovis 系列的最新迭代版本，它在 Ovis2.5 基础上全面升级主干架构与多模态能力，以更低推理成本实现更强的长上下文、高分...