多模态模型

谷歌正式为 Gemini 3 Flash 推出全新能力——智能体视觉，通过将视觉推理与代码执行深度结合，让AI从“静态一瞥”升级为“主动调查”，彻底改变图像理解方式。这项功能可使多数视觉基准测试质量提...

百度飞桨近期完成 PaddleOCR 3.4.0 版本更新，正式推出新一代视觉语言模型 PaddleOCR-VL-1.5。这款面向真实场景的文档解析专用模型，仅0.9B参数量却实现资源高效与性能领先...

腾讯优图实验室近日开源了 Youtu-VL——一款仅有 40 亿参数 的轻量级视觉语言模型（VLM），却能在无需任务专用模块的前提下，同时胜任通用多模态任务与高难度的以视觉为中心的任务（如图像分割、深...

月之暗面（Moonshot AI）正式发布 Kimi K2.5——目前最强的开源多模态大模型。它在 Kimi K2 基础上，基于约 15 万亿混合视觉-文本 Token 进行预训练，不仅在编码与视觉理...

DeepSeek 发布 OCR-V2，这不是一次常规升级，而是一次架构级革新：彻底弃用 CLIP 视觉编码器，改用小型 LLM（Qwen2-0.5B）作为视觉编码器，并引入 “视觉因果流”（Visua...

在文档数字化处理领域，兼顾高精度转录、轻量化部署、高效推理的OCR模型一直是行业刚需。LightOn AI推出的第二代模型 LightOnOCR-2-1B，以1B参数量实现端到端PDF文档转写能力，不...

在大模型普遍走向百亿、千亿参数的今天，腾讯优图实验室推出了一款仅 1.96B 参数的轻量级语言模型——Youtu-LLM。它不追求规模堆砌，而是以 STEM 能力与原生智能体（Agentic）能力为核...

在多模态 AI 应用日益普及的今天，如何高效检索混合了文本、图像、截图甚至视频的内容，仍是技术难点。传统方案往往依赖多个专用模型，导致系统复杂、语义割裂。 官方说明：https://qwen.ai/b...

想象一下：你上传一张街景照片，或输入一句描述——“一个穿风衣的男人走在雨夜的东京街头，霓虹灯闪烁，远处有全息广告”——模型随即生成一个可自由行走、视角可调、事件可触发的动态 3D 世界。你用键盘控制角...

阿里通义实验室近日开源 MAI-UI —— 一个面向真实世界部署的 通用 GUI（图形用户界面）智能体基座模型系列，涵盖 2B、8B、32B 和 235B-A22B 四种规模。其 32B 版本在 Sc...

当前的大语言模型（LLMs）在处理短视频时已表现出强大能力，但面对数小时甚至跨集的长视频（如讲座系列、纪录片、剧集），它们往往力不从心——上下文窗口有限、计算成本高、跨场景语义断裂。 GitHub：h...

Google DeepMind 正式推出 T5Gemma 2——新一代基于 Gemma 3 架构的编码器-解码器（Encoder-Decoder）模型系列。它不仅继承了 Gemma 3 的先进特性，更...