新百度开源 Unlimited OCR 2:SR-SWA 稀疏注意力加持,专门面向数百页超长文档解析百度正式开源了 Unlimited OCR 2,这是一款专为超长文档解析构建的 33.4 亿(3.34B)参数视觉语言模型。该模型能够在单次请求中高效解析数百页的书籍、申报文件和报告,其核心突破在于引...多模态模型# Unlimited OCR 2# 百度11分钟前00
阿里通义推出MAI-Gym:面向GUI智能体的一体化训练评测平台,一套框架同时支持手机/电脑/网页,最高支持2万并发环境阿里巴巴通义团队推出 MAI-Gym,是面向GUI图形界面智能体的一体化开放平台,用于智能体评估、交互轨迹采集、在线强化学习训练,覆盖移动端、桌面电脑、网页浏览器三类GUI环境,框架源代码即将发布。依...多模态模型# /MAI-Gym-9B# MAI-Gym# 阿里巴巴1周前280
面壁智能发布MiniCPM-V 4.7多模态模型:系列首款MoE版本,35B-A3B可在iPhone端侧流畅无损运行面壁智能推出新一代开源端侧多模态大模型 MiniCPM-V 4.7,提供35B-A3B、1B两个版本,35B-A3B是MiniCPM-V系列首个MoE架构模型。 GitHub:https://gith...多模态模型# MiniCPM-V 4.7# 面壁智能2周前340
Perplexity 发布 pplx-embed-v2-late:双尺寸ColBERT风格多模态嵌入模型,MIT许可开源Perplexity 正式推出 pplx-embed-v2-late,一对ColBERT架构风格的多模态嵌入模型,分为0.6B轻量边缘版本与9B高质量版本,二者共享同一嵌入空间,支持文本、图片、渲染P...多模态模型# Perplexity# pplx-embed-v2-late3周前400
谷歌发布 EmbeddingGemma 2:Apache2.0开源轻量多模态嵌入模型,设备端统一处理图文音视频谷歌推出 EmbeddingGemma 2,一款Apache 2.0协议开放、面向设备端的轻量多模态嵌入模型,能够把文本、代码、图像、音频、视频映射至同一个嵌入向量空间,在消费级本地硬件上完成跨模态语...多模态模型# EmbeddingGemma 2# 多模态嵌入模型# 谷歌3周前590
BRIA AI 发布 fibo-scene-analyzer:基于Qwen3.6-35B-A3B微调,单模型一站式图像结构化解析BRIA AI 正式推出图像理解模型 fibo-scene-analyzer(FIBO Scene Analyzer [dev]),该模型由 Qwen3.6-35B-A3B 微调而来,单个模型即可一次...多模态模型# BRIA AI# fibo-scene-analyzer# Qwen3.6-35B-A3B3周前550
Mistral正式发布Mistral Large 4「Le Chonk」:万亿总参数MoE模型,10月27日开放权重Mistral正式放出Mistral Large 4(ML4,代号Le Chonk)公开预览,这是一款万亿总参数稀疏混合专家多模态模型,输入支持多模态,输出为文本。这家巴黎AI企业计划经过约三周的开发...多模态模型早报# Le Chonk# Mistral# Mistral Large 43周前1190
Reka 发布 Rho-1:19B 全模态推理大模型,单模型可理解生成视频并输出机器人动作Reka 推出 Rho-1 的研究预览版本,这是一款从头训练的19B全模态推理模型。单个神经网络就可以完成文本、图像、视频的理解与生成,同时输出机器人动作,用来替代传统多模态方案里,多个专用模型之间互...多模态模型早报# Reka# Rho-13周前690
英伟达发布表格基础模型Kumo Tabular:单次前向传播完成预测,支持商用英伟达正式推出 Kumo Tabular 表格基础模型(TFM),面向表格数据的分类与回归任务,和TabPFN、TabICL思路相近:直接把带标签的行作为上下文,单次前向传播即可预测新数据行,无需额外...多模态模型# Kumo Tabular# 英伟达# 表格基础模型4周前530
阿里ATH-MaaS开源Ovis-Embedding系列嵌入模型:文字/图/视频/音频统一语义空间,实现任意模态互搜阿里ATH-MaaS推出 Ovis-Embedding 系列嵌入模型,核心目标是把文字、图片、视频、音频全部映射到同一个共享语义向量空间,实现任意模态检索:用任意一类内容作为查询,检索其他类型素材。官...多模态模型# Ovis-Embedding# 嵌入模型1个月前540
Liquid AI 发布 LFM2.5-VL-3B-DSpark:VLM 投机解码草稿模型,Apple Silicon 解码加速达 3.13 倍Liquid AI 推出 LFM2.5-VL-3B-DSpark,一个专为 LFM2.5-VL-3B 视觉语言模型设计的实验性投机解码草稿模型。该草稿器仅增加约 2.8 亿参数(+8.9%),在不改变...多模态模型# LFM2.5-VL-3B-DSpark# Liquid AI1个月前510
小米开源 MiMo-V2.6 系列:全模态 RL 扩展模型,Pro 版登顶开源智能榜首小米正式发布并开源 MiMo-V2.6 系列原生全模态模型,包含 MiMo-V2.6-Pro、MiMo-V2.6-Flash,同时推出 MiMo-V2.6-Pro-UltraSpeed 极速版本,在同...多模态模型早报# MiMo-V2.6# 小米1个月前2790