SD百科导航
  • 首页
  • 快讯
  • 早报
  • 模型
  • ComfyUI
  • 新技术
  • 百科
    • 教程
    • 硬件
    • 科普
  • 百科工具
    • 工具
  • 排行榜
    • 首页
    • 快讯
    • 早报
    • 模型
    • ComfyUI
    • 新技术
    • 百科
      • 教程
      • 硬件
      • 科普
    • 百科工具
      • 工具
    • 排行榜

    多模态模型

    共 326 篇文章
    百科工具模型ComfyUIAI合集web UI提示词
    大语言模型多模态模型图像模型语音模型3D模型Flux衍生视频模型世界模型决策模型
    排序
    发布更新浏览点赞
    Google DeepMind 发布 AlphaGenome 2:支持单细胞状态条件化的 DNA 功能预测模型,因果变异召回率提升至 30%

    Google DeepMind 发布 AlphaGenome 2:支持单细胞状态条件化的 DNA 功能预测模型,因果变异召回率提升至 30%

    Google DeepMind 正式推出 AlphaGenome 2,一款能够预测特定细胞类型中遗传变异效应的 DNA 基础模型。与此前在批量组织数据上进行平均的前代模型不同,AlphaGenome ...
    多模态模型# AlphaGenome 2# Google DeepMind
    4天前
    180
    Anthropic 发布 Claude Fable 5.2 / Mythos 5.2:旗舰双模型,全维度超越 Opus 5.5、降价提速

    Anthropic 发布 Claude Fable 5.2 / Mythos 5.2:旗舰双模型,全维度超越 Opus 5.5、降价提速

    11 月 9 日,Anthropic 正式推出 Claude Fable 5.2 与 Claude Mythos 5.2。作为其产品线中定位最高端的模型系列,新版本在编码、推理、视觉及科学计算等领域均...
    多模态模型早报# Anthropic# Claude Fable 5.2# Claude Mythos 5.2
    1周前
    270
    SolarRenderer:4 步生成式蓝图渲染框架,一套模型兼容简笔画 / 骨骼 / 线框等各类结构蓝图

    SolarRenderer:4 步生成式蓝图渲染框架,一套模型兼容简笔画 / 骨骼 / 线框等各类结构蓝图

    在游戏开发、影视预演及 AI 智能体内容创作中,创作者通常已提前规划好场景布局、物体摆放、人物动作轨迹及镜头运动。这些规划通常以结构蓝图的形式存在,如线框图、骨骼动作数据或灰度方块布局图,仅记录位置与...
    多模态模型# SolarRenderer
    1周前
    320
    Datalab 推出Surya 2.5:0.7B级轻量化OCR,支持表格HTML还原、数学公式,1B以下基准第一

    Datalab 推出Surya 2.5:0.7B级轻量化OCR,支持表格HTML还原、数学公式,1B以下基准第一

    Datalab 推出 Surya 2.5,一款仅689M参数的开源文档OCR模型,主打轻量化下的强版面理解能力,是当前1B参数以内梯队里性能领先的文档智能模型。 模型:https://huggingf...
    多模态模型# Datalab# OCR模型# Surya 2.5
    1周前
    340
    微软发布 Mage-VL-Cowork:4B 混合计算机使用智能体,自主切换 GUI 点击与 Bash 代码

    微软发布 Mage-VL-Cowork:4B 混合计算机使用智能体,自主切换 GUI 点击与 Bash 代码

    微软 Mage 团队近期发布了 Mage-VL-Cowork,这是一款参数量为 4B 的混合计算机使用智能体(Computer Use Agent, CUA)。该模型旨在解决当前 CUA 领域的两个核...
    多模态模型# Mage-VL-Cowork# 微软
    1周前
    310
    字节跳动发布开放智能体模型 Axion 1.0 :极简两阶段 SFT+RL,主打科学推理与工具调用

    字节跳动发布开放智能体模型 Axion 1.0 :极简两阶段 SFT+RL,主打科学推理与工具调用

    字节跳动近期发布了 Axion 1.0,这是一款完全开放的智能体基础模型。该模型的核心设计理念在于“将复杂性放在学习问题中”,即通过构建具有挑战性的科学问题和带有可验证答案的工具依赖任务来驱动模型学习...
    多模态模型# Axion 1.0# 字节跳动
    1周前
    300
    腾讯 Youtu-Parsing-Omni:5B 统一全模态解析模型,文档 / 图 / 音视频一键输出结构化 JSON

    腾讯 Youtu-Parsing-Omni:5B 统一全模态解析模型,文档 / 图 / 音视频一键输出结构化 JSON

    腾讯发布了 Youtu-Parsing-Omni,这是一款参数规模为 5B 的全模态解析模型。该模型的核心能力在于,能够通过单一的输入接口处理文档页面、自然图像、图表、几何图形、音频片段以及音视频流...
    多模态模型# Youtu-Parsing-Omni# 腾讯
    1周前
    240
    港中文、清华等联合推出CUA-Master:双环递归飞轮,27B小参数计算机使用智能体,对标超大闭源模型

    港中文、清华等联合推出CUA-Master:双环递归飞轮,27B小参数计算机使用智能体,对标超大闭源模型

    由香港中文大学 MMLab、清华大学、香港科技大学(广州)及京东探索研究院联合研发的 CUA-Master-27B 计算机使用智能体(Computer Use Agent, CUA)正式发布。 项目主...
    多模态模型# CUA-Master# CUA-Master-27B# Qwen-3.5-27B
    1周前
    250
    LeVJEPA:抛弃 EMA 与预测器,基于 SIGReg 正则的高效自监督视频预训练编码器

    LeVJEPA:抛弃 EMA 与预测器,基于 SIGReg 正则的高效自监督视频预训练编码器

    LeVJEPA 是首个基于 LeJEPA 无崩溃目标训练的视频自监督编码器,核心创新是不再依赖 EMA 目标编码器、停止梯度、预测器、像素重建解码器这些传统手段来规避表征崩溃,依靠 SIGReg(Sk...
    多模态模型# LeVJEPA# LeVJEPA-1.5-Large
    1周前
    240
    小鹏联合北大、港大发布具身感知基座 GroundingPI:40 亿参数,感知基准超越 GPT-6 Astra

    小鹏联合北大、港大发布具身感知基座 GroundingPI:40 亿参数,感知基准超越 GPT-6 Astra

    小鹏集团联合北京大学、香港大学等高校研究团队,正式发布了具身感知基座模型 GroundingPI。该模型以约 40 亿参数规模,首创“感知优先”的技术路线,在 34 项公开感知基准的综合评测中位列第一...
    多模态模型# GroundingPI# 北京大学# 小鹏
    2周前
    310
    腾讯微信开源 WeVisOne-VL:统一视觉感知模型,检测 / OCR / 分割 / 抠图一模型搞定,9.6M 轻量像素解码器

    腾讯微信开源 WeVisOne-VL:统一视觉感知模型,检测 / OCR / 分割 / 抠图一模型搞定,9.6M 轻量像素解码器

    腾讯微信团队开源 WeVisOne-VL(WeChat Vision All-in-One),一款面向目标级 + 像素级任务一体化的视觉语言基础模型,主打一套模型承载多种视觉感知任务。它采用结构化 n...
    多模态模型# WeVisOne-VL# WeVisOne-VL-2B# WeVisOne-VL-4B
    2周前
    590
    腾讯开源9B 长程工具智能体WeVisCut ,通过无硬编码状态机实现知识类长文端到端视频成片

    腾讯开源9B 长程工具智能体WeVisCut ,通过无硬编码状态机实现知识类长文端到端视频成片

    WeVisCut 是一款由腾讯开源的长程工具智能体(Long-horizon Tool Agent),专为将知识类长文或口播稿自动化转化为数分钟的高质量视频成片而设计。该项目采用 Apache-2.0...
    多模态模型# WeVisCut# 腾讯
    2周前
    570
    加载更多

    网址

    日榜周榜月榜
    LoginFlip

    LoginFlip

    LoginFlip 是一款专为 Chrome 浏览器设计的轻量级扩展,解决多账号管理痛点。它通过保存和恢复网站的登录状态(Cookie + localStorage),让你在不同身份(工作号、测试号、个人号等)之间实现秒级切换,彻底告别反复输入密码和退出登录的繁琐流程。
    Qwen Chat

    Qwen Chat

    Qwen Chat是阿里通义团队在海外市场推出了一款全新的AI助手,可以看作是通义千问的海外版,这款助手基于开源的Open WebUI框架开发而成。
    xpander.ai

    xpander.ai

    xpander.ai 是一个用于构建和部署 AI 代理的后台即服务(BaaS)平台,它使基础设施对开发者透明。开发者可以专注于业务逻辑和代理框架,而 xpander.ai 负责处理内存、存储、MCP 工具、CI/CD、人机交互触发、测试,并提供一个可视化的工作台。
    LEANN

    LEANN

    LEANN 是一款创新的向量数据库,它民主化了个人 AI。将您的笔记本电脑转变为强大的 RAG 系统,能够索引并搜索数百万文档,同时比传统解决方案 使用 97% 更少的存储 且无准确性损失。
    方舟 Coding Plan

    方舟 Coding Plan

    火山引擎重磅发布 方舟 Coding Plan —— 一款专为开发者打造的“量大管饱”型 AI 编程订阅服务。首月仅需 8.9 元,即可享受海量 Token 额度、全系国产顶级模型自由切换,并免费解锁云端智能体助手 ArkClaw。
    抓虾吧

    抓虾吧

    “抓虾吧”奉行AI社交法则,严禁人类撰写内容,仅限部署了OpenClaw的AI智能体发帖,这也是国内首个纯AI自治贴吧。
    查看完整榜单
    SD百科导航
    SD百科导航是专注于AI创作领域的专业导航网站。我们全面涵盖Stable Diffusion、Flux、AI绘画、AI视频、AI音乐以及大语言模型等前沿内容。

    关于我们友链申请广告合作

    扫码关注微信公众号SD百科导航
    扫码关注微信公众号
    Copyright © 2026 SD百科导航 皖ICP备18025588号-5  皖公网安备34040002000401 
    网址
    网址文章软件模型
      ↵ENTER↓↑NAV

      网址

      日榜周榜月榜
      LoginFlip

      LoginFlip

      LoginFlip 是一款专为 Chrome 浏览器设计的轻量级扩展,解决多账号管理痛点。它通过保存和恢复网站的登录状态(Cookie + localStorage),让你在不同身份(工作号、测试号、个人号等)之间实现秒级切换,彻底告别反复输入密码和退出登录的繁琐流程。
      Qwen Chat

      Qwen Chat

      Qwen Chat是阿里通义团队在海外市场推出了一款全新的AI助手,可以看作是通义千问的海外版,这款助手基于开源的Open WebUI框架开发而成。
      xpander.ai

      xpander.ai

      xpander.ai 是一个用于构建和部署 AI 代理的后台即服务(BaaS)平台,它使基础设施对开发者透明。开发者可以专注于业务逻辑和代理框架,而 xpander.ai 负责处理内存、存储、MCP 工具、CI/CD、人机交互触发、测试,并提供一个可视化的工作台。
      LEANN

      LEANN

      LEANN 是一款创新的向量数据库,它民主化了个人 AI。将您的笔记本电脑转变为强大的 RAG 系统,能够索引并搜索数百万文档,同时比传统解决方案 使用 97% 更少的存储 且无准确性损失。
      方舟 Coding Plan

      方舟 Coding Plan

      火山引擎重磅发布 方舟 Coding Plan —— 一款专为开发者打造的“量大管饱”型 AI 编程订阅服务。首月仅需 8.9 元,即可享受海量 Token 额度、全系国产顶级模型自由切换,并免费解锁云端智能体助手 ArkClaw。
      抓虾吧

      抓虾吧

      “抓虾吧”奉行AI社交法则,严禁人类撰写内容,仅限部署了OpenClaw的AI智能体发帖,这也是国内首个纯AI自治贴吧。
      查看完整榜单