搜索：大模型智能生成大会

「大模型智能生成大会」共找到 10256 篇相关文章

超越GPT-4o和Gemini 2.5！小米MiMo-Audio音频大模型真香

小米推出MiMo - Audio大模型，预训练数据超1亿小时。它在多个基准测试成开源7B模型SOTA，开放相关资源。分词器表现佳，有全新架构，在音频理解、对话、推理等方面表现出色，还集成TTS功能。

现有视频生成模型在多主体定制中难保持身份一致与自然交互，上交和腾讯提出PolyVivid框架解决此问题。它在多方面优于现有方法，还介绍技术原理、演示效果，证明其在多领域有实用价值。

10月13日，AI硬件公司未来智能完成亿元级A轮融资，由蚂蚁集团领投、启明创投超额跟投。本轮融资用于丰富产品矩阵、拓展海外市场、探索前沿技术。该公司聚焦办公场景，产品功能不断进阶，已实现盈利且海外市场增长显著。

北大与通义实验室发布ZeroSearch框架，可无需真实搜索激活大语言模型检索能力。它引入大语言模型模拟搜索、采用结构化模板等策略，成本降88%，多项实验显示其性能超越基线与真实搜索方法。

DeepSeek开源3B OCR模型DeepSeek - OCR，参数量仅30亿，单张A100 - 40G一天能处理20万页文档，不到24小时获6K标星。它是视觉压缩引擎，解决大模型处理长文本算力爆炸问题，有诸多技术亮点。

Yuliang - Liu团队在GitHub开源轻量级文档解析模型MonkeyOCR，以SRR三元组范式实现高效精准解析，3B参数模型在英文文档解析上超Gemini 2.5 Pro和Qwen2.5 - VL - 72B，还介绍了安装部署、适用场景等。

在OpenAI官方播客节目中，Sam Altman透露GPT-5今夏或登场，还探讨AGI定义、“星际之门”算力项目、AI硬件等。如模型命名或改，算力项目解决瓶颈，重视超级智能等。

香港大学、香港科大与腾讯ARC Lab联合提出SCoPE，让视频模型处理位置关系的基底从张量网格转向射线空间。它将相机射线坐标注入Video DiT，新增参数不到原模型0.1%，多方面表现获改善。

实时视频世界模型成热门，Loopit发布的实时互动世界模型Zing - 0.5在评测中获第一且已开源。该公司提出独特观点，认为实时视频非世界，互动应“模应一体”，还指出抵达端到端终局的新路径。

享刻智能官宣完成数千万元Pre - A轮融资，创始人陈震是连续创业者。其LAVA厨房机器人获北京市首张具身智能机器人食品经营许可证，已签千台级订单，还将围绕‘三机一体’架构升级技术。