「多模态体验」共找到 1618 篇相关文章
蚂蚁发布全球首个视频-动作世界模型，开源即刷新世界纪录
从Sora惊艳亮相到谷歌开放Genie 3线上体验，世界模型从概念走向交互世界。蚂蚁旗下蚂蚁灵波开源全球首个视频 - 动作世界模型LingBot - VA，可驱动机器人完成复杂操作，解决长时漂移等问题，还提出工程化解法。
DeepSeek-OCR 2再进化，对图像理解已经像人一样逻辑推理了
DeepSeek-OCR 2升级，保持前代高效压缩率和解码效率，引入DeepEncoder V2，模仿人类视觉因果流机制，将图像理解转为逻辑推理，在文档解析领域实现逻辑重构，性能显著提升。
顶级视频模型半衰期只有 30 天，但生成式媒体 infra 公司的收入却在一年增长了 60 倍
文章聚焦生成式媒体 infra 公司 fal.ai，其借统一 API 和云端平台让开发者高效调用多模态模型。深入分析其成功因素，如早期押注生成式视频、优化算力和成本、构建生态等，还探讨用户使用模式与行业发展趋势。
论文自动变漫画PPT！Nano Banana同款用秘塔免费生成，还有一对一语音讲解
Nano Banana 2的知识变漫画玩法火出圈，国产秘塔AI搜索对标其核心体验，上线同款漫画式课件生成玩法，提供20多种风格，还能语音讲解，发布即全员免费开放，可将论文、报告等变PPT。
中英双语、29项第一、像素级理解：360 FG-CLIP2登顶全球最强图文跨模态模型
360推出FG-CLIP2图文跨模态VLM模型，在八大类任务、29项测试中超越Google与Meta。它能像素级看图，中英文皆强且已开源。其优势源于高质量数据集和先进训练方法，还在多业务落地并开放API。
Vidu Q2的参考生视频，是AI视频多参党的胜利。
作者分享使用Vidu Q2多图参考生视频的体验，认为它是AI视频多参党的胜利，是新工作流范式。Q2在一致性、表演能力和多风格表现力上大幅进化，价格实惠，还推出APP，多图参考生视频未来可期。
阿里发布Qwen3-TTS：跨语言混合无缝切换，方言音色全面覆盖！
TTS技术从单一合成进化到多模态表达，但传统模型在跨语言/方言混合场景有不足，商业工具费用高且不开源，开源方案训练数据少。阿里推出Qwen3 - TTS，实现人类级自然度和表现力，功能强大，应用场景多。
别再幻想 Vibe Coding 打天下，AI 编程最实用的功能是这个
OpenAI 创始成员 Andrej 起初提出 Vibe Coding，后改变观点，称应让不同工具在不同场景各司其职，且其常用 AI 编程功能是代码补全。字节跳动 IDE Trae 里的 Cue 功能在代码补全领域下足功夫，体验出色。
阿里开源14B电影级视频模型！实测来了：免费可玩，单次生成时长可达分钟级
昨夜阿里发布14B视频模型Wan2.2 - S2V，仅需一张图片和一段音频，就能生成电影级数字人视频。该模型发布即开源，可在通义万相官网免费体验，单次生成时长可达分钟级。
文库 GenFlow2.0，这个特性让我大吃一惊
作者作为创业者和 Agent 重度用户，分享了使用文库 GenFlow2.0 的体验。它是全球首个全端通用 Agent，支持多 Agent 并行工作，过程可干预，整合多维生态，交付形态接近专业生产工具，还支持 MCP 协议开放能力。