搜索：多模态语音理解大模型

「多模态语音理解大模型」共找到 1766 篇相关文章

大模型之外，向量存储如何支撑 Agent 的检索链路

文章指出大模型负责理解、推理和生成，而Agent需获取外部数据等。向量存储可将数据转化为语义向量，在Agent执行任务时找回相关内容。文章探讨向量存储技术方向，分享做法，还演示阿里云两种Serverless向量存储用法。

文章围绕如何写好 AGENTS.md 展开，介绍其是给 AI 看的项目指令，能解决项目对 AI 不友好的痛点。还阐述了编写原则、实践方法、选择原因、模板和实施建议等，可让 AI 高效理解项目，提升开发效率。

OpenAI的GPT - Image - 2虽未正式发布但已全量上线，实测在文字渲染、知识理解等方面超强大，有信息图、专辑封面、UI设计等多种玩法，Sam Altman官宣明天发布内容或含它，还可能宣布实现AGI时间。

Roto定位是全球首个互动开放世界视频平台。创始人David Xu曾就职独角兽企业，涉足多模态生成。团队经多次方向调整，决定大胆探索极致创新。目前产品技术不成熟，但已探索新内容形式，还将在广告实现商业闭环。

本文是GAIR Live 023圆桌对话实录，浙江大学彭思达与具身多模态算法专家郝孝帅探讨具身导航。涉及本质、范式、挑战、交互等方面，还对未来5 - 10年发展做了展望。

2月4日上海人工智能实验室开源万亿参数科学多模态大模型Intern - S1 - Pro，为AI4S迈向2.0提供开源基座。其核心科学能力跃升，底层架构创新，科学与通用能力协同发展，还构建了‘算力 - 算法’一体化基座，推动科研范式革命。

本文记录了LightX2V中Ulysses Attention的实现方式与张量形状推导。在多模态/视频场景，其实现可概括为一种layout变换，还提供`enable_head_parallel`和`use_fp8_comm`选项，效果受运行环境等因素影响。

美团首个开源大模型Longcat-Flash-Chat发布即引发热议。它在部分benchmark上超DeepSeek-V3.1等，编程能力也出色。技术报告透露美团对大模型的理解，还有新发现，且性能好、训练效率高。

智谱AI上线AutoGLM，这是全球首个手机通用Agent，能让AI操作手机完成复杂任务。其技术架构强大，在多方面表现优异，与其他AI助手相比优势明显，还推出情感语音模型GLM - 4 - Voice，正推动大模型落地AI手机。

在世界人工智能大会上，多家企业推出AI PPT类产品，但大多只能生成，不会使用PPT。金山办公发布WPS AI 3.0版本——WPS灵犀，它是原生Office办公智能体，能像人一样使用办公软件，还带来灵犀语音助手和WPS知识库。