搜索“多模态”

e自2024年6月推出以来，中国大陆版缺席约两年。 3.供应链高度依赖中国：库克强调iPhone Duo“完全在中国制造”，至少11家中国企业入链（富士康承接组装、蓝思科技供UTG超薄柔性玻璃份额约70%、台积电供2纳米芯片、三星显示独家供面板）。折叠屏仍属小众赛道，去年约占全球智能手机出货量1.6%，中国占一半以上。 开源趋势： 十二、英伟达把 120B 多模态模型塞进开源：从数据中心到桌面的 Nemotron 突围 1.2026年10月15日，英伟达发布 Nemotron 3.5 Super VL（1200亿总参数、120亿激活参数的 MoE 开源多模态模型），并同推边缘模型 Bolt 74B-A9B 24GB（已上线）与 Bolt E4B 4GB（10月23日上线）。叠加此前的 Ultra 与 Lightning，Nemotron 家族首次完整覆盖从大型服务器到边缘设备、再到本地 PC 的全部部署层级。 2.性能上，Super VL 在 Hermes Bench 得63.44%（Ultra 为56.33%）、LangChain 得87.05%（Ultra 为84.3%），完成任务

匹配字段正文

年）》。 当前，人工智能正加速从“模型能力驱动”向“应用能力驱动”跃迁，智能体（AI Agent）作为连接大模型能力与复杂应用场景的重要载体，正逐步成为推动人工智能规模化落地和产业深度融合的重要形态。随着智能体从知识问答向任务规划、推理决策、工具调用、多轮交互和自主执行等复杂能力演进，传统以静态样本为主的数据集已难以充分满足智能体能力构建需求，数据体系正呈现多模态融合、过程导向、场景驱动和持续演进等新特征。与此同时，当前行业仍面临数据供给与应用需求不匹配、数据孤岛、标注规范缺失、质量评估体系滞后以及安全合规等问题，高质量数据集建设亟需从传统的数据生产向面向能力和场景的系统化建设转变。 报告围绕智能体发展趋势及其对数据建设提出的新要求，系统分析智能体能力构建的数据需求，提出面向智能体能力构建的行业高质量数据集建设总体框架、关键方法和实施路径，并结合企业运维、医疗健康、通信、知识产权、汽车、产业园区、科研等领域的典型实践，为产业各方开展智能体高质量数据集建设提供参考依据和实施路径。 报告核心观点 1. 智能体发展推动高质量数据集建设范式加快转变 报告指出，随着人工智能发展从模型能力驱动向应

匹配字段正文

主张无法检验。本指南从输入与假设出发，追踪该概念直至可观察的结果，然后检验最可能与之混淆的捷径。 原生音频模型直接处理或生成声学表示，保留时间、语调、说话人线索等文本转录会丢弃的信息。该定义包含三项实际承诺：存在可识别的输入、存在原生音频模型特有的变换或决策，以及存在可依据既定目标进行评估的结果。若缺少其中任一要素，该标签描述的可能是愿景而非已实现的机制。 多模态系统必须对齐分辨率、时序、噪声和歧义各不相同的信号。一个词可能指代图像中的一小块区域；一个音频事件可能先于解释它的视频帧出现。对原生音频模型而言，这种系统视角很重要，因为即使底层模型不变，性能也可能由周围的数据、接口、硬件、权限和人员决定。因此，有用的解释会将模型学到的行为与决定该行为何时、何地、以何种权限被使用的产品区分开来。 最接近的误导性捷径是先转写语音为文本、再合成语音的流水线。它可能与原生音频模型共享某个可见特征，却改变了因果链条：确立成功所需的证据不同，主导成本的资源不同，防止危害的控制方式也不同。因此，边界是操作层面的，而非术语层面的。 01将波形转换为紧凑音频 → 02建模语音与非语音上下文 → 03推断语义、

匹配字段正文

获悉，Elorian于周五发布了其首个模型。这家帕洛阿尔托的AI初创公司在尚未推出产品之前，就以3亿美元估值完成了5500万美元的种子轮融资。 该模型名为Glimpse，以研究预览形式发布，提供API访问，聊天界面仅限候补名单，因此目前它只是一张结果表格和一份论点。这份论点是什么？当今的AI模型，尽管在语言和代码方面技艺高超，却仍然无法真正“看见”。 大多数多模态模型只查看一次图像，将其转换为token，然后用文本进行推理——就像凭记忆描述一张照片。Glimpse则会不断回到源头。在推理过程中，它可以裁剪到某个区域、从视频中提取特定帧，或运行代码来测量或比较它所看到的内容，Elorian将这一机制称为“视觉草稿空间”。可以想象成有人在手机上捏合放大照片，以复核自己以为看到的东西。 对于前Google DeepMind研究员、Elorian CEO Andrew Dai来说，AI仍然无法真正“看见”的最明显迹象之一出现在游戏之夜。 去年，他拍下自己和朋友们刚玩完的一款桌游，并询问一个前沿模型谁在获胜。它答不上来。桌游“每一种都有自己的视觉语言，都有自己的图像符号和象征，”他告诉TechC

匹配字段正文

要我说，谷歌就是季节性气候模型公司，天气凉了，旗舰也就熟了。 按照谷歌的定位，这一代主要加强了编程、专业知识工作和复杂任务的持续执行能力，同时也把此前比较擅长的视觉理解、空间推理和工具调用能力进一步推向前沿。 在官方展示的demo中，看得出这次Gemini 4 Argon最自信的还是多模态方面。 输入一段模拟风筝的文字提示，生成的效果直接起飞。 而在大家更关心的 能不能重回御三家、给用户多一个模型选择 这件事上，Gemini4 Argon这次在评测中也表现得相当争气。 在谷歌自家评测中，Gemini4 Argon覆盖了办公、智能体编程、机器学习以及科学推理等多个方向，整体表现已经达到GPT-6 Astra、Opus5.5的水平，其中不少项目甚至实现领先。 第三方Artificial Analysis智能指数中，Argon High也与GPT-6 Astra Max、Claude Fable5.1 Max并列53分。 更关键的是，在达到同等水平的情况下，Argon High的平均每任务成本仅为1.99美元，比Astra低约39%。 这一成本优势体现到首发价格上，就是API每百万输入tok

匹配字段正文

件栈、生态软件栈，覆盖芯片到上层应用，其既可以兼容多代异构硬件，也能适配主流深度学习框架与大模型推理生态，提供全套C++、Python API，助力开发者高效开发并降低部署门槛。 具体来看，其整个AI生态软件有五部分，底层推理框架部分已完成与所有主流推理框架的适配以及优化；领域开发套件是面向细分特定应用领域提供应用开发套件， ModelZoo覆盖大语言模型、多模态大模型等的开箱即用模型，中间件工具部分提供Cache复用，以及算力设备运维和管理等，最后是大量应用样例。这一生态软件已正式开源。 更深层来看，后摩智能大算力、大带宽双路线+统一软件工具链的软硬协同体系，并非单纯的产品迭代组合，而是一套面向未来长期演进、可持续扩容的底层产品布局框架。 硬件层面形成精准互补的差异化算力矩阵，让后摩智能可同时覆盖算力优先和带宽优先的全维度端边负载，为后续高中低全线产品迭代、场景细分提供硬件支撑。 软硬协同的高效布局构建了可长期复用的技术栈。对客户而言，统一软件平台有助于复用模型适配、编译优化和部署经验，减少不同芯片及终端产品之间的重复开发成本。 基于已经验证的技术底座与落地实践，后摩智能也对Agen

匹配字段正文

Dose Rate，Beam Current以及WPH等部分关键指标方面领先于国外竞品，其搭载华海清科自研的软件平台，整机国产化率95.6%，预计2027年实现全部国产化。 电科装备发布了Venus（金星）6系列先进封装量检测装备，为国内首台可同时对半导体先进封装工艺——大尺寸玻璃基板TGV（玻璃通孔）和RDL（再分布层）进行多流程同步量检测的设备。产品拥有多模态同步检测集成技术，支持多种扩展功能（兼容面板级与晶圆级基板、3D形貌量测、红外成像检测）。 微导纳米推出全新的iMagtron系列磁控溅射系统（PVD）及Ru超薄膜工艺专用ALD设备，实现了ALD、CVD、PVD三大主流薄膜沉积技术路线全体系覆盖。iMagtron系列磁控溅射系统设备，整体尺寸设计更紧凑（缩小约10%），留有足够的维护空间；采用模块化设计，同一系统满足不同应用和技术节点Cu1-Cu4不同工艺需求；整体工艺上针对各个应用痛点，如Ta/TaN优化设计，PK Life time优化50%以上。iTomic MeT系列原子层沉积系统Ru工艺专用设备通过原子级的形核调控技术，可以在多种衬底上实现＜5nm连续Ru薄膜成膜，

匹配字段正文

在旧金山建立机器人实验室，约有100名数据采集人员，使用遥操作方式让机械臂完成叠衣服、把面包放入烤面包机等任务。报道描述了GELLO控制器与Franka机械臂。 而OpenAI官方的招聘信息写得更直白，分布式数据系统（机器人方向）软件工程师岗位，注明了要“为机器人训练提供并使用EB级规模的高质量数据”，岗位职责覆盖数据筛选、自动标注、训练数据加载器，以及支撑多模态训练与评估的数据基础设施。 「创业最前线」了解到，行业内要实现具备通用能力的人形机器人大脑，至少需要一百万小时的高质量数据。 而行业里积累的可用数据，目前也就刚到百万小时量级。根据报道，OpenAI目前所使用的具身数据超过千万小时级。GPT-6的预训练，就灌入了大几百万甚至上千万小时的ego数据。 “十年前不具备的条件，今天具备了。”原力灵机联合创始人汪天才提到。 可见，采集纳入大量的机器人数据，是OpenAI拥有此表现的重要原因之一。 2、OpenAI威胁论，站得住吗？ 所以，在原力灵机看来，大模型本质上是一场数据创新，OpenAI之所以形成断崖式领先，关键在于其庞大的数据优势。何况，OpenAI核心逻辑是沿着现有通用模型的

匹配字段正文

们来深入了解它的能力以及实现高效推理的方式。 Beam 是一个自回归 Transformer 模型，接受文本输入并生成文本输出（主要为英文）。它采用混合专家（MoE）架构，总参数为 501B，每 token 激活参数为 23B，上下文窗口最高可达 100 万 token。 Beam 是 Reflection 全新模型系列中的首个模型，未来版本计划加入多语言和多模态能力。Beam 专为构建编码与智能体系统的开发者和研究人员，以及希望定制并运行自有模型的企业而设计。它可与开发者已在使用的运行时、框架、编码工具链和工具开箱即用。 面向编码与智能体工作负载的高效推理 Reflection 的评估显示，Beam 在编码、智能体、推理和 STEM 基准测试中表现强劲：✕智能体编码性能✕推理性能 来源： https://reflection.ai/blog/introducing-beam Reflection 训练 Beam 解决编码与智能体任务，并用更少的 token 达成成功结果。目标是降低这些工作负载的成本。强化学习（RL）是 Beam 训练的重要组成部分。 Reflection 采用了更长

匹配字段正文

务具身智能、物理AI、本地离线数据审核等多样化场景。例如彤央TY1200算力终端，可离线运行大模型，完成投资材料分析、合同审核等数据敏感业务；也可以作为具身智能设备的“外挂大脑”，为物理AI提供本地实时推理能力。 依托“通用GPU+自研软件栈”底座，天数智芯已经在众多行业形成落地案例：工业领域完成时序大模型训练微调与大模型推理部署，赋能工艺优化；金融行业支撑多模态大模型、蒙特卡洛模拟、金融估值计算；能源矿业实现物探全流程千卡级部署、智慧矿山视频智能分析；城市治理完成交通长尾事件识别、园区存量摄像头智能巡检；医疗场景对接医院业务系统，落地病历质控、医保审核、ICU辅助决策等。 04 超节点下半场：从拼卡数到拼使用价值 回看这一年的超节点竞赛，厂商的路线已经分化成两条。一条路线追求超大规模，能够支撑超大参数模型训练。华为、曙光等把超节点做到跨机柜、千卡级，追求最大的算力规模，但这类方案配套专属液冷与供电，往往要求专门机房，供电、承重、散热都要改造，改造成本高、部署周期长。另一条路线选择通用单机柜形态，机房改造成本可控，但受限于空间、散热约束，单机柜内部可集成的GPU数量有限，超节点的算力密

匹配字段正文

宣布关闭，Mighty Coconut再次裁员，部分项目暂停开发，VR游戏行业仍面临经营压力与商业化挑战。 政策方面，国内提及VR/AR的相关政策共有19条，包含8条国家政策，11条地方政策。按地区来看，广东地区政府颁布的相关政策数量较多，有3条。从政策方向来看，文旅与文化遗产保护仍是重点，并向体育、智能建造等场景拓展。技术层面，政策聚焦空间计算、近眼显示、多模态交互、轻量化终端及AI大模型、智能体（Agent）的融合应用。 以下为2026年9月月报节选： 点击【此处】 可获取“2026年9月月报”完整版 投稿/爆料：tougao@youxituoluo.com 稿件/商务合作： 林南（微信 19250561593） 加入行业交流群：林南（微信 19250561593） 版权申明：本文为VR陀螺原创，任何第三方未经授权不得转载。如需转载请联系微信：vrtuoluo233 申请授权，并在转载时保留转载来源、作者以及原文链接信息，不得擅自更改内容，违规转载法律必究。文中有图片、视频素材来自互联网或无法核实出处，如涉及版权问题，请联系本网站协商处理。 元宇宙数字产业服务平台 下载「陀螺科技」

匹配字段正文

专门团队押注长期安全，马斯克创办 xAI，谷歌整合 DeepMind 推出 Gemini。国内则开启 “百模大战”，百度、阿里等大厂的大模型集中亮相，智谱、月之暗面、深度求索等创业公司也开启密集融资。2024 年是 Anthropic 的爆发年，在各个方向都拿出了代表作。3 月，Claude 3 系列一次性推出三款产品，覆盖旗舰、均衡、轻量三大场景，并补齐了多模态能力。其中旗舰模型 Opus 默认支持 100K 的处理长度，在长文本评测中表现出极高的准确率，首次反超 GPT-4，将长上下文技术转化为扎实的产品竞争力。随后在 6 月登场的 Claude 3.5 Sonnet 模型能力迎来大幅提升，在多项核心指标上追平 GPT-4o；到 10 月推出升级版时，该模型在代码评测集 SWE-bench Verified 上超过了当时所有闭源竞争对手，让 Anthropic 在软件工程与智能体开发市场中取得了明显的竞争优势。真正让 Anthropic 拉开身位的，是 2024 年 5 月掀起的那场可解释性热潮。2021年，“可解释性” 和 “工具使用强化学习” 还听起来都过于学院派，远不如堆参数

匹配字段正文

0 SSD等重点产品参展，呈现面向AI PC与端侧AI应用的高性能内存及高速存储能力。 在D079展位，晶存科技还展示了ePOP5、eMMC、UFS及其他PCIe系列SSD，以及面向工业与汽车电子应用的工规、车规eMMC及LPDDR系列产品，覆盖不同终端的性能、功耗与可靠性需求。 96GB＋9600Mbps拓展AI PC内存选择 面向AI PC本地模型推理、多模态处理及多任务运行对内存容量和带宽的需求，晶存科技重点展示“双96”LPCAMM2内存模组。 该产品单模块容量达96GB，最高数据速率达9600Mbps，可为模型加载、数据缓存和多任务并行提供更充足的内存空间与带宽支持。 产品基于LPDDR5X，采用78×23×3mm紧凑模组设计，并提供16GB、32GB、64GB及96GB多种容量规格。压接式连接与模块化设计兼顾高带宽、低功耗和空间利用，保留了内存可拆卸、可维护及可升级的特性，为AI PC整机设计提供更多选择。晶存科技“双96”LPCAMM2已完成国际头部PC终端厂商相关平台的适配验证，进一步验证了产品在AI PC平台中的兼容性、稳定性与应用能力。 高带宽内存与高速SSD支撑终

匹配字段正文

操作与超高可靠性体验，以及IEEE 802.15.4ab标准下UWB技术从近距离感知向基础设施级空间智能的跨越。此外，会议还将特别关注5G NTN与自主网络，分享定制芯片在推动卫星通信与无人机互联中的关键差异化优势。 面对生成式AI的爆发，Ceva将全方位展示“物理AI”时代的落地路径。议题涵盖从突破内存墙、推动LLM推理从云端向边缘侧拓展的关键策略，到针对多模态工作负载的前瞻性NPU架构设计。特别是针对功耗与成本敏感的场景，会议将深入挖掘1 TOPS以下“小模型、大规模”的应用蓝海，探讨如何在受限设备中实现高效能AI部署，为下一代智能终端注入强劲算力引擎。 感知与实践：夯实传感基石，见证生态落地成果 作为智能设备的“五官”，感知技术的创新同样不可或缺。Ceva将探讨IMU传感器如何从机器人到TWS耳机发挥主力作用，并结合合作伙伴的实际案例进行展示。特设的AI落地实践环节，将由Bdsound等生态伙伴现身说法，演示基于Ceva技术的真实产品解决方案。从底层传感器到上层应用算法，本次大会将为您呈现一个从技术创新到商业闭环的完整生态图景。 欢迎报名参加2026 Ceva技术研讨会，与行业领

匹配字段正文

台前的产品，这份尝试值得肯定。但它需要跨过的门槛一个没少：生态授权、完成度以及留存率。首销数字只是第一道关，真正的答案，要等微信、支付宝们的风控动作，等第三方实测的跨App执行率，也等90天后第一批用户的周活。 不甘做云侧卖水人：模型公司的终端野心 阶跃星辰早期被列入“AI六小虎”，但成立头一年几乎隐身。到2024年起才打破沉寂，连续发布一系列模型，才确立“多模态卷王”的技术地位。 尽管有了清晰的技术标签，但C端应用始终未成爆款，前有Kimi出圈，后有DeepSeek和大厂阻击，阶跃C端线基本宣告失败，错失了百模大战的市场声量与品牌认知黄金窗口期，也影响了后续的融资和上市节奏。 直到今年1月，印奇出任阶跃星辰董事长，负责战略节奏和技术方向。这位“双料董事长”，带来的是旷视科技两度冲击上市的经验、千里科技“AI+汽车”的产业资源，以及一套更强烈的资本市场视角。 按照印奇的设想，阶跃既不靠卖硬件赚钱，也不靠应用预装和广告分成。他真正想要的，是用户把足够多的日常任务交给Amoo。任务越多，模型调用和服务分成越多，阶跃才可能越过硬件利润，建立持续收入。 说白了，他不甘心只做云端的卖水人，也不满

匹配字段正文

Meta公布的六项对比测试中排名第一，但中国开源模型在软件工程等部分任务上仍占优势。 财联社10月16日（编辑 史正丞）当地时间周四，近来在AI领域势头正盛的Meta发布开放权重大模型Muse Spark Open，并与苹果合作，推动这款模型在Mac电脑上本地运行。 （来源：公司官网） 具体来说，Muse Spark Open是一款采用“混合专家架构”的原生多模态模型，总参数量为8160亿（其中420亿为活跃参数），上下文窗口大小可达100万词元。Meta表示，该模型专为编码与智能代理任务设计，在处理长周期任务、复杂软件工程问题以及多步骤推理方面表现极为出色。 当然，Meta将其称为“迄今能力最强的美国开放权重模型”，也是有原因的。 根据Meta自己公布的测试结果，与市场上前沿开源模型进行比较，Muse Spark Open在工作流程、工具调用、知识推理、知识可靠性，以及复杂视觉推理和图像事实问答这6项测试中排名第一。 但数据也显示，在软件开发及其他某些任务方面，Kimi、千问、智谱等中国开源模型依然更胜一筹。 更引发市场关注的是，此次发布还有意外进展——苹果和Meta竟然携手共事。在

匹配字段正文

00℃的极限高温工况下，仍能清晰还原工业现场的实景与细节，辅助用户精准控制生产质量。 此外，物联感知与AI大模型的融合，还催生了覆盖更多场景的系列产品。在质量检测展区，红外测温分析系列摄像机为产线带来"AI测温"方案：AI能力深度融入热像仪，实现流动工件实时精准测温；搭配大模型SOP训推一体机，可快速生成缺陷检测算法，有效提升产品良率。 在设备监测展区，搭载多模态大模型的云眸智能体化身工厂"数字员工"，一句话即可自动完成巡厂、能耗复盘等管理工作。 在生产运营展区，六款扫码PDA新品搭载AI大模型，让特殊场景条码"一扫可得"，如在切削液飞溅的CNC车间，可精准扫读金属件上的DPM码；站在地面，即可识读10米高货架上的条码。ChatBI数据分析智能体则能接任务、做分析、出报告，实现 "只要会打字，就能进行数据分析研判"，快速优化工艺、控本提效。 在安全生产展区，大模型被装进前端摄像机，人员闯入危险区域、未按规定穿戴作业、机械臂作业区滞留等隐患，在一线即可识别并即时干预；针对炼化、化工等行业的气体泄漏难题，TDLAS气云成像遥测仪融合激光监测、气云成像与可见光三大技术，搭载大模型增强算法，微

匹配字段正文

撞发生的时间，并利用预设的物理参数计算弹跳轨迹。但面对木桌、玻璃或地毯等不同表面，系统并不一定能够自动判断它们的弹性、摩擦等物理属性，从而生成符合现实规律的交互效果。 这种局限也让虚实融合在很大程度上依赖开发者对场景的预先设计。虚拟物体可以按照设定的规则与现实空间互动，但要面对千差万别的真实环境，自动理解物体属性并生成合理的物理反馈，仍然有很长的路要走。随着多模态AI向三维空间推理和物理理解延伸，这一问题开始出现新的解决思路。 二、Google让AI重建物理世界，虚实融合迎来新变量 近年来，AI与XR的结合已经从传统的语音问答，逐渐向结合现实环境的智能交互发展。 早在2024年，Google Research提出XR-Objects研究原型，结合物体识别与多模态大模型，让用户能够直接围绕现实物体获取信息或生成虚拟内容。今年1月，Meta进一步推出MR语言学习应用Spatial Lingo，通过Quest识别并定位现实物体，再利用Llama模型生成对应的语言学习内容。 Meta Spatial Lingo技术架构 图源：Meta Developers Google最新发布的Gemini

匹配字段正文

围环境，同时避免主处理系统长时间保持运行状态。 图源：千问 硬件方面，HX6538采用Arm Cortex-M55处理器与Ethos-U55 AI加速架构，支持实时端侧视觉AI推理，可识别人体及特定事件。当系统检测到相关事件或人员出现时，芯片会根据需要唤醒主系统，执行进一步的AI处理，从而减少不必要的系统活动，降低整体功耗并延长眼镜续航。 奇景光电表示，随着多模态大模型及AI Agent技术的发展，智能眼镜正从被动响应语音指令，逐步向持续感知环境、理解实时上下文及主动提供服务的方向演进。不过，受限于设备体积、重量和电池容量，如何在低功耗条件下实现常开视觉感知，一直是智能眼镜面临的重要技术挑战。 WiseEye采用低功耗感知与端侧AI相结合的设计，使设备能够在本地完成初步视觉分析，仅在必要时调用主系统处理，为AI眼镜进一步实现主动记忆、主动服务及主动决策提供技术支持。 奇景光电首席执行官Jordan Wu表示，此前已有一家全球主要科技企业在其智能眼镜产品中采用WiseEye技术，此次再次获得阿里巴巴千问AI眼镜选用，进一步验证了该方案在超低功耗、常开感知及端侧AI处理方面的能力。公司看好

匹配字段正文

15日，北京时间早上8点后，DeepSeek网页和App显示“服务器暂时不可用”。图：IC photo 英文报道 DeepSeek Restores Services After Nearly Five-Hour Outage相关报道【财新周刊】中国AI芯片崛起｜AI革命之五DeepSeek发V4.1-Flash取代V4-Pro 价格下调DeepSeek上线多模态模型 价格和V4-Flash正式版一致DeepSeek-V4-Pro正式版上线 调用价格大幅上涨宇树科技IPO估值600亿元 DeepSeek参与战略配售 【财新网】10月15日上午，DeepSeek出现网页、App及API服务中断问题，故障时间接近5小时。 根据DeepSeek官网的服务状态页，自10月15日8点11分起，DeepSeek-V4-Pro API服务、DeepSeek-V4.1-Flash API服务和对话服务陆续出现部分中断或性能下降的问题。9点08分起，DeepSeek的对话服务完全中断。 DeepSeek在9点06分称，已定位原因，正在实施修复，并在13点04分解决问题。全程历时4小时52分钟。 推荐进入

匹配字段正文