←搜索结果

搜索“多模态”

按匹配度 · 共 783 条结果 清除搜索

星期四

  2. 事件1 条新闻 · 1 个事实

    Neura Robotics 发布 Neuron AI 多模态基础模型

    2026年10月14日,Neura Robotics 发布面向物理 AI 的多模态基础模型 Neuron AI。据 Robotics & Automation News 报道,该模型融合 3D 视觉、触觉与力、音频、机器人状态和语言,并加入记忆功能,使机器人在物体离开视野后仍保留上下文。其 Perception-Language-Action 架构把多感官信息对齐到同一空间并转化为动作,训练数据来自真实机器人数据、仿真放大数据和人类演示数据三类来源。该模型在德国 Metzingen 内部开发训练,并将在 Nvidia GTC Berlin 2026 上由人形机器人 4NE1 演示十一分钟的洗衣处理流程。目前尚无后续发展事实。

    匹配字段标题

星期五

  1. 事件1 条新闻 · 1 个事实

    Apple提出SSR框架,多模态搜索智能体推理延迟降低超90%

    2026年10月16日,Apple提出Selection-based Structured Reasoning(SSR)框架。该框架将推理从开放式生成改为从预设可复用自然语言候选中选择,无需辅助任务头,并借助共享上下文KV cache并行打分。在2B和4B模型、七个多模态搜索基准上,SSR平均成功率与同规模领先搜索智能体相当,单轮推理延迟降低超90%,每题模型总推理延迟降低28–54%。目前尚无后续发展事实。

    匹配字段标题

星期三

  3. 事件1 条新闻 · 1 个事实

    OpenBMB 回应社区对本地多模态 AI 的关注

    2026年10月13日,OpenBMB(面壁智能)就社区对推动本地多模态 AI 发展的兴趣作出回应。其回应出现在对 MiniCPM V4.7 端侧多模态分享的回复中,表示很高兴看到社区从手机到边缘设备推动本地多模态 AI 发展的兴趣。目前该故事仅有这一条有证据的事实,暂无后续发展。

    匹配字段标题

  4. 事件1 条新闻 · 1 个事实

    InternLM 介绍 Intern-S2-397B 多模态基础模型

    2026年10月13日,InternLM 发布并介绍 Intern-S2-397B 及其预览版 Intern-S2-Preview-397B、Intern-S2-Preview-35B 等科学多模态基础模型,覆盖预训练、强化学习任务与长程智能体三个方向。其中 Intern-S2-Preview-35B 基于 Qwen3.5 继续预训练,仅用 35B 参数在多个核心专业科学任务上达到万亿级 Intern-S1-Pro 的相当水平,并采用共享权重 MTP 与 CoT 压缩提升推理效率。系列模型支持 LMDeploy、vLLM、SGLang 部署,以 Apache 2.0 许可发布。目前尚无后续发展事实。

    匹配字段标题

  6. 事件1 条新闻 · 1 个事实

    InternLM 发布 Intern-Decision 多模态决策模型仓库

    2026年10月14日,InternLM 发布 Intern-Decision 多模态决策模型仓库。据同一来源的报道,该模型将状态、可选图像和多个带类型的问题转化为带概率的决策,支持 choice、score 和 noul(是/否)三类问题;训练时微调 Qwen3.5 的语言主干,并冻结视觉塔和投影器。Intern-Decision-4B 在七套基准上平均准确率 90.02%,在 RTX 4090 上本地平均请求延迟 44.16 ms,在 96 例校准基准上 Brier 为 0.550、ECE 为 0.089。该版本包含训练、两种推理后端、基准评分、温度校准和浏览器 demo,但训练数据、校准与验证记录、图像及模型权重未包含在内。目前尚无后续有证据的发展。

    匹配字段标题

星期二

  2. 事件1 条新闻 · 1 个事实

    Cloudflare 发布多模态决策模型 Clef-omni

    2026年10月9日,Cloudflare 发布开源权重多模态决策模型 Clef-omni,可在一次调用中对文本、图像、音频和视频打分。据 MarkTechPost 报道,该模型基于 Qwen3-Omni-30B-A3B-Instruct 后训练,采用 30B 总参数、3B 激活参数的 MoE 结构,Apache-2.0 许可,定价每百万 token 0.15 美元。报道称其在意图分类任务上领先,CLINC150+OOS 达 97.7 macro-F1,但在推理与工作流评测上落后于 Clef,GPQA Diamond 为 47.4,而 Jev 为 78.3。同批更新还将 Clef-flash 价格降至 0.038 美元,并把托管 Clef 迁移到 SGLang,中位延迟从 262 ms 降至 152 ms。目前尚无后续发展事实。

    匹配字段标题

  4. 事件1 条新闻 · 1 个事实

    字节 Seed 发布多模态图像创作模型 Seedream 5.0 Pro

    字节跳动 Seed 正式发布多模态图像创作模型 Seedream 5.0 Pro。据官方介绍,该模型在图文对齐、结构一致性、文字渲染和视觉美感等基础能力上全面提升,并带来四项核心突破:复杂信息可视化、交互式精准编辑、写实影像与人物质感,以及原生多语言输入与生成,支持法语、德语、俄语、日语、韩语、西班牙语、阿拉伯语等十余种语言。官方称其在复杂信息图生成和交互式精准编辑上取得突破,但更细粒度的文字渲染与像素级编辑一致性仍有提升空间。目前尚无后续发展事实。

    匹配字段标题

星期五

星期日

  1. 事件1 条新闻 · 1 个事实

    何恺明团队发布多模态Harness框架VISTA

    2026年10月11日,何恺明团队发布多模态视觉原生Harness框架VISTA。该框架让现有多模态模型直接观察环境、保存原始画面,并在推理时随时回看、放大和检查细节,无需从头训练。据量子位报道,搭配VISTA,Claude Opus 5.0完成ARC-AGI-3全部25个公开游戏,相对人类动作效率得分满分100,所用动作数比首次游玩的人类基线少57.4%;GPT-5.6 Sol同样全部通关,得分99。使用同一GPT-5.6 Sol模型,VISTA在GameWorld的170项任务中把成功率从40.0%提高到63.3%,在AI GameStore的10个游戏中综合得分从47.3升至140.3,在BabyVision的39道迷宫与连线题上准确率从41.0%提高到63.2%。目前尚无后续发展事实。

    匹配字段标题

  3. 事件1 条新闻 · 1 个事实

    Perplexity发布多模态嵌入模型

    2026年10月8日,Perplexity AI 发布 pplx-embed-v2-late,包含 0.6B 与 9B 两个 ColBERT 风格多模态嵌入模型。据 MarkTechPost 报道,两个模型均可检索文本、图像和渲染后的 PDF 页面,并共享同一嵌入空间。其中 9B 模型在 MADQA 上取得 92.4%;0.6B 模型面向边缘设备和低延迟查询,用 0.6B 查询 9B 索引在 ViDoRe v3 图像检索上得 63.5%,高于两侧都用 0.6B 的 62.3%。两个模型已在 Hugging Face 以 MIT 许可发布,可自托管商用;Perplexity 托管 API 端点仍在计划中。报道同时指出,所有分数均为自报,技术报告尚未发布。目前尚无后续发展事实。

    匹配字段标题

  4. 事件1 条新闻 · 1 个事实

    Google Ads介绍Asset Studio多模态视频创作

    2026年10月1日,Google Ads在Ads Decoded节目中介绍了Asset Studio的多模态视频创建功能。据Google Blog介绍,该功能由Gemini Omni驱动,可将网站URL和照片转为高质量视频,供相关方在发布前预览。同一节目还提到,Demand Gen和YouTube效果广告可把现有社交素材作为创意基础,只需符合素材规格与指南;并建议逐步调整、注重新素材质量而非数量,以便系统有足够时间衡量效果。目前该故事尚无后续发展事实,状态停留在这一介绍。

    匹配字段标题

星期四