←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

  1. 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

  1. 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

  3. 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

  6. 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

  5. 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

  6. 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

  7. 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

星期四

星期六

星期四

星期日