←搜索结果

搜索“多模态”

按匹配度 · 共 783 条结果 清除搜索

星期二

  3. 事件1 条新闻 · 1 个事实

    Philipp Schmid 称超快多模态模型让更多应用成为可能

    2026年9月20日,Philipp Schmid 发表观点,称超快、多模态且足够便宜可自由使用的模型让更多应用成为可能。他表示喜欢相关的 Jev 演示、复现和项目,认为它们展示了这类模型能带来多少可能;同时指出人们过于专注于编程智能体,容易忘记 AI 还能做多少其他事情。目前没有后续发展事实,该观点仍为最新状态。

    匹配字段标题

星期日

  1. 事件1 条新闻 · 1 个事实

    康泰纳仕构建多模态视频搜索

    康泰纳仕与AWS生成式AI创新中心合作,构建基于Amazon Bedrock的多模态视频发现方案。该方案依托Amazon Bedrock与Amazon OpenSearch Service,并选用TwelveLabs Marengo嵌入模型,对画面、音频与字幕进行联合编码。据AWS Machine Learning于2026年9月29日发布的信息,该方案将单次内容检索耗时从平均250分钟降至2分钟以内,覆盖超14万条视频库,支持自然语言意图搜索、图像查询和精确时间戳定位。目前尚无后续发展事实。

    匹配字段标题

  2. 事件1 条新闻 · 1 个事实

    Philipp Schmid推荐用Gemini 3.8 Flash做多模态理解

    2026年9月24日,Philipp Schmid表示做多模态理解直接用Gemini 3.8 Flash即可。他引用的是Spencer Schiff当天手绘的一张人物图测试,该测试称目前前沿模型都无法把每个人名正确对应,Spencer期待未来模型再试。目前该推荐仅有这一条来源,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

    Dynamo加速多模态模型服务

    2026年9月9日,NVIDIA Dynamo 采用编码预填充解码(EPD)解耦优化多模态模型推理服务,将视觉编码与 LLM prefill、decode 阶段拆开。据 NVIDIA Developer 介绍,在图像密集提示、短到中等输出和量化 MoE 模型上,该方案实现最高 5 倍更快的首 token 时延(TTFT)和 7 倍更快的端到端响应时间。在混合文本与多模态流量中,EPD 消除队头阻塞,使文本请求平均 TTFT 降低 42.2%、图像请求降低 30.8%;将 LLM 权重量化为 NVFP4 而视觉编码器保持 BF16,可把共置 EPD 的 goodput 从聚合服务的 1.78 倍提升到 2.64 倍。同时,当 decode 主导延迟或大型稠密模型削弱视觉编码器算力占比时,收益会缩小。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

    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

  5. 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

  6. 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

  7. 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

  8. 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

  9. 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

星期六

星期四

星期日

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

星期五

星期三