搜索：音频 - 视觉模型

「音频 - 视觉模型」共找到 7996 篇相关文章

手机跑多模态也能快到飞起！面壁MiniCPM-V 4.6开源

面壁智能开源多模态模型MiniCPM-V 4.6，以低算力成本、超低首Token延迟打通三大主流手机操作系统。它算力瘦身性能强，是视觉语言多面手，还适配主流系统，降本增效，让AI能力从云端到指尖。

Decart创业公司推出全球首个实时、无限长度的AI视频模型MirageLSD，基于独创LSD技术。其响应低于40毫秒，靠历史增强等技术攻克难题。它不止用于特效，平台将持续升级，创始人目标是打造‘千亿级独角兽’。

大语言模型的RL技术已成熟，但多模态生成模型的强化学习训练仍“各自为战”，制约AIGC模型能力上限。腾讯混元庞天宇团队开源UniRL框架，打通多模态RL后训练，覆盖多种模型，内置算法与奖励组件。

DeepSeek开源DeepSeek - OCR，用图片压缩文本达10倍压缩率且几乎不丢信息。它解决了以往视觉编码器的问题，架构清晰，数据丰富，性能测试亮眼，为解决大模型‘记性差’问题提供新思路。

OpenAI在成立十周年之际发布GPT-5.2。此次更新让其在真实工作场景更实用，包括PPT/表格制作能力升级、前端编码能力惊艳、视觉能力细节处理更强、工具调用意识领先等。

厦门大学联合腾讯优图实验室团队提出AIGI - Holmes方法，创新性采用“大模型+视觉专家”协同架构，解决现有AIGI检测技术瓶颈，在检测、解释能力及鲁棒性评估上均取得最优效果。

Google DeepMind为Gemini 3 Flash推出Agentic Vision，让模型主动编代码操控图像，性能提升5% - 10%。该能力已上线，谷歌还计划扩展功能。这或许是受DeepSeek-OCR2刺激，两者技术路线不同。

华为诺亚方舟实验室研究入选NeurIPS 2025，其提出视觉感知投机推理（ViSpec）框架，解决草稿模型处理图像信息效率难题，在不牺牲生成质量下，对主流VLM最高达3.22倍推理加速。

BLIP3 - o致力于统一图像理解和生成、提升生成质量和效率。它融合自回归与扩散模型，采用CLIP + Flow Matching架构等技术亮点。经训练，在图像理解和生成任务表现出色，指令微调效果显著。

研究表明扩散图像生成器学习重建预训练编码器嵌入可加快训练，Apple团队提出的FAE，通过缩小嵌入再重建解决了因嵌入尺寸大导致的训练受阻问题，性能与先进模型相当且训练更快。