AI 中文社区

字节发布多模态图像创作模型 Seedream 5.0 Pro：复杂信息可视化、交互式精准编辑

据介绍，相比之前版本，Seedream 5.0 Pro 在图文匹配、结构合理性、文字渲染与画面美感等基础能力上全面提升。...

2026-07-08 · 浏览15次

DeepSeek 公布多模态模型技术报告

该模型提出“基于视觉原语的思考”框架，将点、边界框等空间标记作为推理基本单元，使 AI 在空间参照任务中能进行精确推演。尽管模型规模紧凑，但在计数和空间推理基准测试上可与 GPT-5.4 等前沿模型匹配。#DeepSeek 多模态##AI ...

2026-04-30 · 浏览286次

美团发布开源原生多模态大模型 LongCat-Next，让视觉和语音成为 AI 的母语

简单而言，美团把文字、图像、语音都变成同一种东西 —— 离散 Token。无论读文字、看图片还是听声音，对 AI 来说都是同一件事：预测下一个 Token 是什么。...

2026-03-27 · 浏览262次

阶跃星辰开源 10B 多模态模型 Step3-VL-10B，性能媲美千亿级大模型

阶跃星辰今日开源多模态模型Step3-VL-10B，仅10B参数却在多项基准测试中达到同规模SOTA，甚至媲美或超越规模大10-20倍的模型。该模型通过全参数联合训练、大规模强化学习及并行协调推理机制，实现了视觉感知、逻辑推理等能力的跃升，...

2026-01-20 · 浏览324次

阿里云发布 AI 硬件多模态交互开发套件：集成通义大模型，适配 30 多款终端芯片

该套件集成了千问、万相、百聆三款通义基础大模型，并预置十多款生活休闲、工作效率等领域的 Agent 和 MCP 工具，不仅能听、会看，还能思考并且与物理世界交互，可应用于 AI 眼镜、学习机、陪伴玩具、智能机器人等硬件设备。...

2026-01-08 · 浏览388次

智谱 GLM-4.6V 系列多模态 AI 大模型发布并开源，API 降价 50%

作为 GLM 系列在多模态方向上的一次重要迭代，GLM-4.6V 将训练时上下文窗口提升到 128k tokens，在视觉理解精度上达到同参数规模 SOTA，并首次在模型架构中将 Function Call（工具调用）能力原生融入视觉模型，...

2025-12-08 · 浏览561次

苹果探索自研多模态 AI 模型 Manzano：兼具理解与生成能力，不弱于 OpenAI GPT-4o 和谷歌 Nano Banana

苹果正在研发多模态AI大模型Manzano，兼具图像理解与生成能力，挑战OpenAI和谷歌。Manzano采用混合图像分词器，减少任务冲突，在多项测试中表现优异。#苹果AI##多模态大模型#...

2025-09-27 · 浏览406次

行业首个：8B 参数面壁小钢炮 MiniCPM-V 4.5 开源，号称“最强端侧多模态模型”

面壁智能 8 月 26 日宣布开源 8B 参数的面壁小钢炮 MiniCPM-V 4.5 多模态旗舰模型，成为行业首个具备“高刷”视频理解能力的多模态模型。...

2025-08-28 · 浏览812次

解锁任意模态 AI 模型训练，字节跳动 Seed 开源 VeOmni 框架

字节跳动介绍称，VeOmni 采用以模型为中心的分布式训练方案，可将复杂的分布式并行逻辑与模型计算解耦，让研究员像搭积木一样，为全模态模型组合设置高效的并行训练方案。这一方式可大幅降低工程开销，提升训练效率和扩展性，将数周的工程开发时间缩短...

2025-08-14 · 浏览703次

小红书首个多模态 AI 大模型 dots.vlm1 发布并开源，基于 DeepSeek V3 LLM

小红书 hi lab 表示，dots.vlm1 在大部分多模态评测集上接近闭源 SoTA 模型的水平，并在文本能力和主流文本模型相当。...

2025-08-06 · 浏览464次

约翰斯・霍普金斯大学研发新 AI 模型，可更准确预测心源性猝死风险

美国约翰斯·霍普金斯大学开发出一款多模态人工智能模型，在识别突发性心脏骤停高风险人群方面，明显优于现行的临床指南。这一研究结果已在最新一期的《自然-心血管研究》杂志上发表。...

2025-07-05 · 浏览498次

首超人类专家！OpenAI“混乱”之际，谷歌多模态大模型Gemini“大杀四方”

就在昨日晚间，Google 和 Alphabet CEO Sundar宣布Gemini上线，并称之为“我们规模最大、能力最强的 AI 模型”，语惊四座。...

2023-12-07 · 浏览551次