「多语言视觉问答」共找到 1663 篇相关文章
音频全能王炸！小米MiMo-Audio开源，力压Gemini/GPT-4o！
小米团队开源通用音频大模型MiMo-Audio，集多种功能于一身，支持7国语言零样本克隆和中英混合合成。首包延迟低，效果自然稳定。在多个基准测试中表现优于Gemini-2.5-Flash和GPT-4o-Audio。
面壁小钢炮 VoxCPM-TTS：开源端到端 TTS，轻量高效低延迟
面壁提出基于扩散自回归建模的端到端语音生成模型 VoxCPM，构建于 MiniCPM - 4 之上。它克服传统离散 token 方法缺陷，实现语义与声学特征解耦，有上下文感知语音生成和零样本语音克隆能力，低延迟。
字节Seedream 4.0将全量开放！抢先评测来了，我们摸索出AI生图20种「邪修」玩法
近日，字节跳动内测豆包・图像创作模型 Seedream 4.0，支持多模态生图，核心能力显著提升。它将全量上线并开放给企业客户。实测显示其多模态融合出色，还与谷歌 Nano Banana 对比，各有优势。
空间智能新高度：港科大谭平团队SAIL-Recon突破万帧级图像大规模3D场景重建Transformer
香港科技大学谭平教授团队与地平线团队发布3D场景表征与大规模重建新方法SAIL - Recon，突破现有模型处理能力瓶颈，可实现万帧级场景表征抽取与定位重建，在多数据集上表现优于现有方法。
00后MIT华人女生辍学创业，已融1.5个亿
00后华人女生Jessica Wu从MIT辍学，创立Sola Solutions，定位RPA界Copilot，获2100万美元融资。公司用LLM和计算机视觉构建自动化流程，已应用多行业，收入增长快。
具身智能体主动迎战对抗攻击，清华团队提出主动防御框架
面对对抗攻击，现有防御方法多为‘被动防守’，遇上未知或自适应攻击时效果衰减。清华朱军团队在TPMAI 2025中提出主动防御框架REIN-EAD，通过与环境交互实现‘感知—决策—行动’一体化，实验效果佳。
一键搞定双语播客的项目，效率+200%，太6了！
文章介绍开源项目Twocast，它是AI播客生成器，能模拟双人自然对话，3分钟产出一期播客。有双人对话、多输入、多语言等特色，提供两种安装方式，适合多类人群。
Claude code：下一个千亿级软件市场的蓝图
LATE CHECKOUT CEO认为Claude Code将带来软件行业变革，它驯服终端，让自然交互成趋势，会催生新机遇和超级用户，未来软件易用性价值更高，技术将适应人类语言。
华南理工开源小智AI硬件后端服务，支持MCP。
华南理工大学刘思源教授团队研发开源后端服务项目 xiaozhi-esp32-server，基于人机共生智能理论，为 xiaozhi-esp32 硬件提供支持，采用多语言实现，支持 MCP 接入等功能，适配多配置方案。
6.5k星！轻量级多智能体对话编排框架Agent Squad
Agent Squad是轻量级多智能体对话编排框架，有6.5k星。它能管理多AI代理、处理复杂对话，具智能意图分类等特性。新SupervisorAgent可协调多专业代理，还有演示应用及多种使用示例。