←搜索结果

搜索“多模态”

按匹配度 · 共 211 条结果 清除搜索

星期三

  2. 事实所属事件

    百灵发布并开源原生多模态模型Ling-3.0-flash-VL

    2026年9月9日,蚂蚁百灵发布并开源百灵系列首个原生多模态大模型Ling-3.0-flash-VL。该模型基于Ling-3.0-flash的MoE架构拓展,总参数124B、单次推理激活5.5B,原生支持图像、文本与视频输入,上下文窗口为256K Token。官方称,原生多模态联合训练使该模型在Artificial Analysis Intelligence Index v4.1.1上较纯文本版本提升4分,并引入观察、行动、验证、修正的视觉反馈闭环,用于前端复刻、GUI Agent和医疗报告解读。目前模型已在Ling Studio上线免费体验,BF16和FP8版本已在Hugging Face与ModelScope开源。

    匹配字段标题

    查看事件：百灵发布并开源原生多模态模型Ling-3.0-flash-VL

星期日

  1. 事件1 条新闻 · 1 个事实

    百灵发布并开源原生多模态模型Ling-3.0-flash-VL

    2026年9月9日,蚂蚁百灵发布并开源百灵系列首个原生多模态大模型Ling-3.0-flash-VL。该模型基于Ling-3.0-flash的MoE架构拓展,总参数124B、单次推理激活5.5B,原生支持图像、文本与视频输入,上下文窗口为256K Token。官方称,原生多模态联合训练使该模型在Artificial Analysis Intelligence Index v4.1.1上较纯文本版本提升4分,并引入观察、行动、验证、修正的视觉反馈闭环,用于前端复刻、GUI Agent和医疗报告解读。目前模型已在Ling Studio上线免费体验,BF16和FP8版本已在Hugging Face与ModelScope开源。

    匹配字段标题

星期日

  1. 事件1 条新闻 · 1 个事实

    Philipp Schmid评价Gemini 3.8多模态实

    2026年9月4日,Philipp Schmid就Gemini 3.8的多模态任务表现发表评价,称其在真实世界中的实用性无可匹敌,并称赞@skalskip92的工作。目前该评价是这一故事中唯一明确记录的事件,尚无更多后续进展或不同说法。

    匹配字段标题

  2. 事件1 条新闻 · 1 个事实

    H Company发布NeoMME多语言多模态编码器

    2026年9月3日,H Company发布NeoMME多语言多模态编码器及检索模型。据Hugging Face介绍,NeoMME是一个包含260M和800M两种规模的多语言多模态编码器家族,使用单个双向Transformer同时处理文本token和原始图像patch,从零以掩码离散扩散目标训练,不依赖独立视觉塔或因果语言模型。微调后的NeoMME-Retriever用于视觉文档检索,两种规模均位于ViDoRe v3的nDCG@10与模型规模Pareto前沿;在NVIDIA L40S上,260M模型以2048×2048输入每秒编码约51页,约为ColModernVBERT吞吐的两倍。模型已在Hugging Face Transformers提供,检查点以Apache 2.0许可发布。目前尚无后续发展事实。

    匹配字段标题

  3. 事件2 条新闻 · 1 个事实

    DeepSeek扩展多模态API能力

    2026年8月21日,DeepSeek为API加入多模态支持,实验模型deepseek-v4-flash-vision-exp可接收文本与图像混合输入,并兼容Chat Completions、Messages和Responses接口。开发者可通过base64、外部URL或Files API提供图像,其中Files API支持图片上传及跨请求复用。每张图像最多按384 tokens计费,采用V4-Flash定价。当前材料未提供该能力转为正式模型或进一步扩展的进展。

    匹配字段标题

  4. 事件1 条新闻 · 1 个事实

    NVIDIA FLARE推进联邦多模态训练

    2026年8月19日,NVIDIA介绍了基于FLARE构建联邦多模态AI工作流的方法:通过大对象外置、张量流式传输和磁盘支持的聚合,协调分布式站点训练视觉语言及统一多模态模型,降低数据传输与服务端聚合的内存压力。其FedUMM方案冻结BLIP3o主干,仅对LoRA适配器进行联邦训练,使每个客户端每轮通信量从28.6 GB降至0.094 GB,并在VQA v2和GenEval上保持约97%的集中式训练性能。相关实验基于模拟站点和公开基准,未证明正式隐私保证。

    匹配字段标题

  5. 事件4 条新闻 · 2 个事实

    Black Forest Labs发布FLUX 3多模态模型

    2026年7月20日,Black Forest Labs发布多模态基础模型FLUX 3并开启早期访问。该模型基于Self-Flow在统一架构中同时学习图像、视频和音频,可单次生成最长20秒带原生音频的视频,支持文生视频、图生视频、视频生视频、关键帧过渡和多语言对话等能力。官方称早期评测结果仍属初步,后续将陆续开放FLUX 3 Video、FLUX 3 Image的API与私有权重,以及FLUX 3 Dev的开源权重。2026年8月4日,Black Forest Labs宣布FLUX 3 Video的初版文生视频与图生视频能力即日起通过BFL API和部分合作方开放,可生成最长20秒的HD视频,支持Full HD放大输出与原生音频,并提供Draft Mode。官方称后续将推出FLUX 3 Image与开放权重版本FLUX 3 Dev。

    匹配字段标题

  6. 事件6 条新闻 · 2 个事实

    Thinking Machines Lab发布Inkling多模态MoE模型

    2026年7月15日,Thinking Machines Lab发布原生多模态开放权重模型Inkling。据Hugging Face介绍,Inkling原生接收文本、图像和音频,为MoE架构,拥有975B总参数、41B激活参数和1M上下文窗口,bf16与NVFP4检查点分别需要2TB和600GB显存,已获Transformers、SGLang、vLLM和llama.cpp支持。同日,Modal官方工程博客称Inkling以Day 0合作上线Modal按token计费的托管端点,并为其定制DFlash推测解码器,在8x B200智能体负载上实现每用户250 tokens/s、每GPU 2.5M TPM,交互性比模型内置推测路径快67%。同日,LMSYS Blog称LMSYS与Thinking Machines团队合作,为Inkling在SGLang和Miles上提供Day-0支持,SGLang针对其MoE架构优化,在Nvidia Blackwell GPU上实现最高71.7k tok/s输入吞吐和171.0 tok/s单用户解码速度,Miles通过定制Megatron后端支持全参数与Lo

    匹配字段标题

星期五

星期三

星期三

  1. 事件1 条新闻 · 1 个事实

    MiniMax 发布通用多模态生成模型 H3

    2026年7月31日,MiniMax 发布通用多模态生成模型 H3。据官方信息,H3 可理解由文本、图像、视频和音频组成的统一上下文,生成带原生立体声的视频,最长 15 秒、2K 分辨率。官方称 2K 下每秒价格不到主流模型的三分之一,768p 价格不到主流模型 720p 的一半,并计划在近日开放模型权重。H3 采用 Contextual Omni Representation、H3-VAE、H3-Omni Transformer 和 In-Context Regeneration 等技术,官方表示完整技术报告即将发布。目前尚无后续有证据支持的发展。

    匹配字段标题

  2. 事件2 条新闻 · 1 个事实

    Qwen 团队发布多模态智能体模型 Qwen3.7-Plus

    2026年5月20日,阿里 Qwen 团队发布面向智能体时代的专有模型 Qwen3.7-Max,可通过阿里云百炼(Model Studio)调用 API。官方称其在编码智能体、通用智能体与推理基准上取得领先或接近 Opus-4.6 Max 的成绩,支持 Claude Code、OpenClaw、Qwen Code 等框架,并展示了一次约 35 小时、1158 次工具调用的自主内核优化,相对 SGLang Triton 参考实现取得 10.0x 几何平均加速。2026年6月1日,Qwen 团队发布 Qwen3.7-Plus,一款把视觉与语言统一到单一智能体底座的多模态模型,已在阿里云百炼上线,可在同一智能体循环中混合执行 GUI 与 CLI 操作,支持屏幕读取、视觉参考写代码、移动应用端到端操作,并适配 Claude Code、OpenClaw、Qwen Code 等框架。官方基准显示其在 Terminal Bench 2.0-Terminus 得 70.3、ScreenSpot Pro 得 79.0、AndroidWorld 得 81.0,同时支持 preserve_thinking

    匹配字段标题

  3. 事件1 条新闻 · 1 个事实

    Saining Xie 提出 pose 是视频多模态模型所需的最小充分 3D 信号

    2026年5月27日,Saining Xie 提出一项判断:pose 很可能是稳健视频多模态模型所需的最小充分 3D 信号,并强调它容易获取。他同时发布 cambrian 系列最新成果 cambrian-p,其中 p 代表 pose。据其表述,联合建模帧与 pose 能把图像序列转化为全局有根基的结构。目前该判断与成果均来自其本人发布,尚无其他独立来源的后续发展或验证。

    匹配字段标题

  4. 事件1 条新闻 · 1 个事实

    Modal 优化 SGLang 多模态推理调度器

    2026年5月4日,Modal 发布工程博客称,其优化了 SGLang 调度器的多模态推理性能。Modal 在 H100 上对 Qwen2.5-VL-3B-Instruct 做多模态推理基准测试时,发现 SGLang 调度器在 hash_feature 中反复调用 torch.UntypedStorage._new_shared_cuda,造成主机端开销。他们用简单的 Python 字典实现 CUDA IPC Pool Handle Cache,避免重复打开共享内存句柄,使吞吐量提升 16%、延迟降低 10%。该改进已合并进 SGLang v0.5.10。目前没有后续发展事实。

    匹配字段标题

星期五

星期一

星期四

星期三

星期一