搜索：多模态大型语言模型

「多模态大型语言模型」共找到 1986 篇相关文章

中国 AI 正处于反超美国的前夜

2025下半年中美AI圈有新现象，一是认可中国AI崛起或反超，如海外企业用通义千问，MiniMax开源模型编程能力强；二是资本豪赌与泡沫风险加剧。中国AI成本低、性能优、ROI高，MiniMax或成中国版OpenAI。

数字化时代传统呼叫中心问题多，成本高。微软在GitHub开源Call Center AI，基于Azure + GPT的智能语音客服系统，具多项功能，采用三层设计，适用多行业，可落地，或成企业标配。

DeepSeek-OCR发布让OCR大热，PaperAgent梳理盘点8个热门开源OCR模型，如DeepSeek-OCR用‘上下文光学压缩’技术，Nanonets-OCR2-3B以零样本视觉链式思维为核心等。

苹果在Hugging Face放出FastVLM与MobileCLIP2两条多模态主线。前者主打「快」，首字延迟压到竞品1/85；后者突出「轻」，体积减半。模型和Demo已开放，开发者可集成开发。

Anthropic宣布Claude Sonnet 4支持100万Token上下文窗口，容量是之前5倍。长上下文支持已向部分客户公测，将推给更多用户。该功能已在亚马逊Bedrock公测，也将登陆Google Cloud。还介绍了用例、定价及早期用户好评。

2025 WAIC 上，百度展示多项成果。萝卜快跑获上海牌照、入选‘国家展’，商业化加速；慧播星推 NOVA 数字人技术；飞桨平台等也入选‘国家展’。百度构建全栈架构，把 AI 从炫酷变好用。

开源君分享开源项目`ReactOS`，它类似Windows，目标是与NT系列无缝兼容，可直接运行Windows软件和驱动。该项目始于1996年，在Github获15.9K star，有轻量、兼容等特点，安装简单。

Claude Code强大但命令行操作不便，缺少历史记录、回滚等功能。开源的Claudia GUI工具解决诸多问题，将命令行转化为图形界面，支持会话管理、检查点回滚等，性能优异且跨平台。

文章介绍了MMSI - Bench，这是用于评估MLLM多图像空间推理能力的VQA基准。它人工构建样本、全面分类任务、采用多样真实数据。实验显示MLLM在多图像空间推理有短板，还开发自动化错误分析流程助力改进。

剑桥、伦敦大学学院和谷歌团队推出基于强化学习的视觉规划（VPRL）新范式，纯靠图像推理。新框架利用GRPO后训练，准确率达80%，超文本推理至少40%，代码已开源。