←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

  1. Rohan Paul

    Articul8 推出多模态决策模型 Bivia

    Articul8 发布多模态决策模型 Bivia，可处理文档、图像、音频、视频和时序数据，进行连续决策，并在不确定时交由人类判断。Articul8 由 Intel 团队在 ChatGPT 发布前一个月交付给企业客户的项目发展而来，公司估值 5 亿美元，称已在半导体、能源、制造等行业积累 3 年以上生产部署经验。

    匹配字段标题、摘要、正文

    #ai-news#模型发布#多模态#Agent
  2. Rohan Paul

    Google 发布 EmbeddingGemma 2 论文，744M 参数端侧多模态嵌入模型

    Google 发布 EmbeddingGemma 2 论文，这是一个 Apache 2.0 许可的端侧多模态嵌入模型，把文本、代码、图像、音频和视频映射到同一向量空间。模型基于 Gemma 4 构建，通过向更大的 Gemini Embedding 2 学习并用对比训练调优，744M 参数规模在多项任务上超过大 2 至 12 倍的模型。在 Pixel 11 Pro 上，量化后的文本权重占用约 191MB 活跃内存，完整多模态模型约 567MB，上下文窗口扩大 4 倍至 8K tokens，可容纳约 5.5 分钟音频、29 张图像或 58 帧视频；直接嵌入语音在 MSEB 口语查询检索基准上得分 69.54，高于先转写再检索的 57.59，代码检索在 MTEB Code 上从 EmbeddingGemma 1 的 68.76 提升到 78.68。

    匹配字段标题、摘要、正文

    #ai-news#论文/研究#多模态#端侧
  3. SiliconANGLE精选

    Mistral 开放 Mistral Large 4 权重，1 万亿参数原生多模态

    Mistral AI 宣布开放其前沿模型 Mistral Large 4（代号 Le Chonk）的权重，该模型拥有 1 万亿参数、520 亿激活参数，原生支持多模态。ML4 在欧洲数据中心用 3800 块 Nvidia Grace Blackwell GPU 训练，在 Terminal-Bench 4.0 上从 28% 提升到 41%，与 GLM-5.3 并列编码智能体最佳成绩，且平均每任务少用 47% token。开放权重意味着企业可在自有硬件和防火墙内部署，模型提供低、中、高三档推理模式。

    匹配字段标题、摘要、正文

    #hot-signal#模型发布#开源生态#多模态

星期五

  1. 阿里云开发者社区 AI

    多模态检索引擎选型：EMR Serverless StarRocks 的适用条件与方案设计

    EMR Serverless StarRocks 将全文检索、标量过滤与向量相似搜索内聚到同一执行引擎，用一条 SQL 完成混合召回、RRF 融合重排与湖表列级更新回写。它适用于以 Paimon/Iceberg/Lance 等开放湖格式组织、且强依赖 SQL 交互的多模态数据场景；若需要 RESTful 向量服务接口或毫秒级高吞吐点查，则需额外封装网关或考虑专用向量数据库。

    匹配字段标题、摘要

    #hot-signal#教程/实践#RAG#数据/训练

星期三

  1. 智慧城市行业分析

    美妆企业FDE落地实践：把海量多模态数据洗成可信数据的八步链路

    一家美妆企业的FDE落地项目把小红书、抖音、视频号、微博采集的文字、图片、音频和视频数据，按定数据规范、保留原始内容、梳理数据关系、多模态归一、冲突和质量清洗、生成结构化数据、执行验收、按规则和版本入库八步处理。原文强调清洗结果不能覆盖原文，OCR、ASR和模型标签只作新增结果，并给出ASR与OCR数值冲突时回溯原始证据、无法确认则进入待核队列的做法。这套链路也被作者整理为可复用于消费品洞察、汽车口碑、餐饮选址和品牌舆情等场景的通用方案。

    匹配字段标题、摘要、正文

    #industry#教程/实践#数据/训练#多模态
  2. 雷锋网

    天津大学张长青在 CNCC 2026 介绍广义多模态融合：从可信证据融合到 Fusion Anything 基座

    天津大学张长青在 CNCC 2026 报告《广义多模态融合技术》，介绍团队在多模态表征、动态可信融合与通用预测基座 Fusion Anything Model（FAM）上的研究。TMC 方法用证据理论估计不确定性，晶体结构识别准确率从约 58%—59% 提升至 93.9% 左右。FAM 在 18 个真实数据集、12 种模态和 11 类预测任务上测试，平均准确率较专用融合基线提高约 6.9 个百分点。

    匹配字段标题、摘要、正文

    #hot-signal#论文/研究#多模态#推理
  3. Philipp Schmid精选

    Google 发布 Genie 4 实时多模态世界模型

    Google 发布 Genie 4，新增原生音频、可移动并说话的角色、更精细的物理效果和实时提示词编辑。Genie 是实时多模态世界模型，能根据键盘操作和文本提示逐帧渲染可玩环境，目前开放候补名单，Google AI Ultra 用户优先。

    匹配字段标题、摘要、正文

    #editorial#模型发布#多模态#Google

星期一

星期三

  1. 中华网科技

    小米 MiMo-V2.5-Pro 模型今日下线，替换为 V2.6-Pro 后支持多模态理解

    小米 mimo-v2.5-pro 与 mimo-v2.5 已于 10 月 21 日上午 10 时正式下线，请求自 10 月 14 日 18:00 起自动路由至 mimo-v2.6-pro 和 mimo-v2.6-flash。mimo-v2.5-pro 仅支持文本输入，替换为 mimo-v2.6-pro 后将支持多模态理解。小米 9 月 22 日发布并开源 MiMo-V2.6 系列，Pro 定价为每百万词元输入 3 元、输出 6 元，并提供 99% 缓存折扣。

    匹配字段标题、摘要

    #hot-signal#产品更新#多模态
  2. 邵猛

    Flatkey 网关让 Codex/Claude Code 调用多模态模型

    Flatkey 以统一 API 网关形式让 Codex 和 Claude Code 通过 CLI 调用 GPT、Claude、DeepSeek、GLM、Kimi 等文本模型及 GPT Image、Seedance 等图片视频模型，一个 Key 接入 100+ 官方模型和 1,000+ 工具 API，费用合并为一份账单。日常价格比官方定价至少低 20%，10 月 19–23 日活动期间 GPT、GLM 5.2、Kimi K3、DeepSeek 打 6 折，Claude 8 折，Seedance 2.0 85 折。

    匹配字段标题、正文

    #hot-signal#产品更新#MCP/工具调用#多模态
  3. 阿里云开发者社区 AI

    阿里云 OSS 三桶合一架构、多模态检索与生命周期管理及 ossutil 实操教程

    阿里云 OSS 推出“对象桶+向量桶+表格桶”三桶合一架构，统一存储非结构化、向量与结构化数据，向量桶支持万亿级向量规模和毫秒级相似度检索，表格桶兼容 Apache Iceberg。平台提供五档存储类型与生命周期规则自动沉降数据，并附 ossutil 命令行安装配置、上传同步及 Python SDK 示例。

    匹配字段标题

    #hot-signal#教程/实践#数据/训练#RAG

星期一

  1. Testing Catalog

    Nace AI 发布多模态决策模型 Drex Max

    Nace AI 发布多模态决策模型 Drex Max，可读取文本、图像和视频，单次决策耗时 34 ms，262K token 下响应低于 1 秒，输入价格为 $0.06 / 1M tokens。该模型不生成文本，只从给定选项中返回一个答案并附概率分数，可用于 Computer Use 智能体逐步选择操作、Web 智能体按屏幕内容定位页面元素。Nace AI 称其在 Computer Use 场景下每 token 成本最高比 Claude、GPT 和 Gemini 背后的模型低 167 倍。

    匹配字段标题、摘要

    #hot-signal#模型发布#多模态#Agent
  2. 面壁智能 OpenBMB

    面壁智能提出 Trident：解决多模态检索文本偏好问题

    面壁智能（OpenBMB）提出 Trident，用 Multi-Positive View InfoNCE 联合训练 Text/Image/Fused 三视图，解决多模态检索中无关文本得分高于含答案图像的“Chaos in the Text”现象。在 6 个视觉文档检索基准上，Trident-Qwen3VL-2B 将 Mix Avg NDCG@10 从 40.12 提升至 73.90。分析显示，多模态检索器在纯文本或纯图像语料上表现良好，但图文混合时性能明显下降，原因是文本常获得比语义对齐图像更高的相似度分数。

    匹配字段标题、摘要

    #editorial#论文/研究#RAG#多模态
  3. 雷锋网

    华中师大提出 CoReFuse-Med：先净化再融合，解决低质模态拖累多模态 MRI 分割

    华中师范大学等团队提出多模态 MRI 分割网络 CoReFuse-Med，通过 LACE+IMSH 在浅层去除重采样伪影、MBCF 在深层校准模态贡献，解决低质量模态污染融合的问题。在 EPVS 数据集上 DSC 达 0.7326、HD95 为 7.35，优于 MedNeXt 的 0.7085 和 8.17；BraTS 上 DSC 为 0.8528，参数量仅 2.665M。该方法针对空间对齐后的分辨率下降，未覆盖模态缺失与强噪声场景。

    匹配字段标题、摘要、正文

    #hot-signal#论文/研究#多模态#图像生成
  4. Ollama Blog精选

    Cloudflare 的 27B 多模态决策模型 Clef 上线 Ollama

    Cloudflare 的 27B 多模态决策模型 Clef 已在 Ollama 上线，用户可在本地或 Ollama 云端运行。Clef 由 Qwen3.8-27B 微调而来，采用 Apache 2.0 许可，支持文本与图像输入，兼容 Jev 和 System One API，可一次读取输入并同时为所有问题打分。官方称其在 Cloudflare Decision Index 上居首，并在多数基准上超过 Jev。

    匹配字段标题、摘要

    #company#产品更新#多模态#部署/工程

星期二

  3. MarkTechPost

    Nace AI 发布多模态决策模型 Drex Max，Decision Index 得分 67.59

    Nace AI 发布 Drex Max，这是其首个多模态决策模型，可读取文本和图像并返回校准后的概率，不生成文本。该模型在公开 Decision Index 0.3.2 上得分 67.59，比 TypeSafe 的 Jev 1.14 高 6.9 分；单次截图决策中位延迟 174 ms，输入定价为每 1M tokens 0.06 美元，输出不计费。模型仅通过 Nace Console API 提供，参数规模未披露、权重闭源，上述分数均为 Nace 自报。

    匹配字段标题、摘要

    #ai-vertical#模型发布#Agent#多模态

星期六

  1. Clément Delangue

    Perplexity 开源 pplx-decider-v1.2 与 flash 版多模态决策模型

    Perplexity 发布下一代开源权重多模态决策模型，包含 pplx-decider-v1.2 和 pplx-decider-flash-v1.2 两个尺寸，文本与视觉评分均有提升，推理速度最高提升 5 倍，一次请求中的所有问题可单次通过完成。Hugging Face 联合创始人 Clément Delangue 转发了这一消息，并指出权重已发布在 Hugging Face 上。Perplexity 称 flash 版本是 Decision Index 上排名第一的 4B 模型。

    匹配字段标题、摘要

    #editorial#行业动态#开源生态#Hugging Face
  2. Solidot

    Meta 发布开放权重多模态模型 Muse Spark Open

    Meta 发布开放权重多模态模型 Muse Spark Open，总参数 8160 亿、激活参数 420 亿，支持 100 万 Token 上下文，已发布在 Hugging Face 上。该模型利用苹果开源数组框架 MLX 对 Apple Silicon 统一内存架构做了优化，可运行在搭载 M5 Ultra 芯片的 Mac Studio 上；M5 Ultra 最大支持 512GB 内存，两台最高配置的 Mac Studio 即可容纳整个模型。

    匹配字段标题、摘要、正文

    #hot-signal#模型发布#多模态#开源生态