搜索：多模态指令数据合成

「多模态指令数据合成」共找到 3412 篇相关文章

语音分离最全综述来了！清华等团队深度分析200+文章，系统解析「鸡尾酒会问题」研究

清华等多校及字节跳动研究者全面调研语音分离领域，撰写综述论文，分析200余篇代表性论文。从问题定义、学习范式、模型架构等多维度展开，还探讨评估指标、数据集等，指出未来挑战与探索方向。

随着AI发展，大语言模型处理复杂推理任务能力提升，但推理产生大量中间步骤和文本，拖慢计算速度、增加资源压力。研究者提出LightThinker，模仿人类思考模式，动态压缩推理步骤，削减tokens数量，降低成本。

Github上超火的开源项目《LLMs-from-scratch》中文版4月上市，4个月涨超22k Star。作者实操搭建类GPT - 2模型，涵盖大模型构建全流程。用PyTorch开发，代码少且有注释，对初学者友好，豆瓣评分9.3。

SuperSonic 是腾讯音乐开源的下一代 AI+BI 平台，融合 Chat BI 与 Headless BI 两种范式。它解决了传统 BI 工具复杂、数据口径不统一等痛点，有丰富功能和技术优势，适用于多业务场景，开源优势明显。

北大团队研发的ChatExcel完成天使轮融资，获近千万支持。资金用于产品研发和全球化推广。它是中国首个生成式AI Excel与数据分析智能体，已服务超百万用户，还启动了PreA轮融资。

本周四，谷歌发布 Gemma 3 270M 模型，它参数小、功能强，具备指令跟踪等能力。在 IFEval 测试中表现出色，节能且适合多场景，谷歌还提供使用指南和试用途径，Gemma 系列下载量已破两亿。

今天凌晨，Meta开源视觉大模型DINOv3，采用自我监督学习，无需标注数据。它在60多个视觉任务测试中表现出色，超越同类模型。还引入后处理优化策略，扩展应用场景，能适应多种部署环境。

美国经济已分化为火热的 AI 经济和萎靡的消费经济。AI 领域支出、股市表现、商业数据都体现其热度。顶尖科技公司因丰厚利润大力投入 AI 基建，但目前盈利不明，员工对 AI 提升生产力看法不一。

现有文档检索基准大多只考虑纯文本，难以处理含图表等视觉信息的文档。JinaVDR 应运而生，它是图文混排文档搜索基准集，含多语言、多领域数据，可评估模型在复杂视觉文档的检索性能。

Clay 官宣 C 轮融资 1 亿美金，由 CapitalG 领投，估值达 31 亿美金。其付费客户超 1 万，CEO 称年底 ARR 或破 1 亿，接近盈利。还催生 GTM 工程师职业，合作数据商有望获 5000 万收入。