「多模态理解与生成」共找到 3417 篇相关文章
国产大模型「五强争霸」，决战AGI！
中国基础大模型市场形成「基模五强」格局，包括字节、阿里、阶跃星辰、智谱和DeepSeek。它们要么有钱，要么有人，各有特色与优势。未来竞争焦点是追求更高「智能上限」和突破「多模态能力」，决战AGI。
马斯克都惊呼太强！阿里Qwen3.5又一波端侧小模型发布
上周阿里发布Qwen3.5中等规模超强模型，现又推出端侧小模型，获马斯克称赞。其智能密度翻倍且原生多模态，各型号有Base版。不同参数模型性能出色，阿里布局完整生态链，开启智能化未来。
免费使用Sora！微软发布Bing Video Creator
今天凌晨微软官网发布Bing搜索引擎新功能Bing Video Creator，由Sora支持，免费提供服务。介绍了使用方法、视频生成规格、注意事项等，还提及防滥用措施及内容溯源信息。目前国区未开放，可用美版。
AI 创作继续：Google 推出Pomelli，一款能读懂你网站气质的 AI 营销设计师
Google Labs推出AI营销工具Pomelli，可帮中小企业几分钟内创建符合品牌的社交媒体活动。流程为给其网站，它建立品牌“商业DNA”，生成活动创意和资产，用户编辑调整即可。输出仅支持英文，出海网站可尝试。
微软开源了一款 skill 神器，这下爽了！
近期微软开源桌面应用 `Skill Recorder`，1个多月揽3K star。它能录屏幕操作，借助 GitHub Copilot CLI 生成可复用 Skill 或 Automation，与 RPA 思路不同，有泛化能力，可按命令快速安装。
80万条数据揭示隐患：AI正在「污染」病历，你的诊疗数据可能越来越不靠谱
新加坡国立大学等机构团队研究显示，AI生成临床文本用于训练新模型，会使病理信息在数据迭代中消失，降低医疗AI诊断可靠性。研究分析80多万条合成数据，还提出缓解方法。
豆包大模型2.0+Claude Skills，3步装好，终于有AI能帮我"看视频做笔记"了！火山引擎全系列可用！
传统视频总结工具只基于音频总结，内容浅显。而豆包大模型2.0是多模态原生模型，能同时处理画面和声音。只需3步安装配置，就能让它真正“看”视频，输出详细笔记。
阿里通义发布Z-Image非蒸馏版基础模型版本，支持完整CFG和负向提示
阿里通义发布Z-Image基础图像生成模型，采用单流扩散Transformer架构，具核心创新技术。它是非蒸馏模型，支持完整CFG和负向提示，注重输出多样性和创意控制，已在Hugging Face开放下载。
比NotebookLM更实用，基于LLM的AI PPT开源工具，连配套演讲稿都给写好了。
现在很多人用Nano Banana、NotebookLM做PPT，但存在字体、内容契合度等问题。本文推荐基于LLM的开源AI PPT工具LandPPT，它支持多格式文档生成、有深度研究等功能，协议宽松可商用。
我有听书障碍，但被这个 AI 电台拿捏了
作者曾有听书障碍，却被 Huxe 这款 AI 音频 App 吸引。它由 Google 团队打造，能将邮件摘要、新闻等生成“私人电台”。有个性化简报、自定义音频内容等功能，集成 ASR、NLP 和 TTS 模块。