「多模态语音理解大模型」共找到 1763 篇相关文章
对话灵感实验室：全帧率 VLM、低成本与分层部署，业务现场不止需要炫技模型
InfoQ对话格灵深瞳灵感实验室，探讨多模态大模型下视频理解问题。指出传统视频模型抽帧处理浪费算力和信息，介绍LLaVA - OneVision - 2.0突破长视频理解瓶颈，还提及“视觉智能工坊”助力业务落地。
AI真的能读懂人心吗？阿里通义最新研究成果揭示答案
文章聚焦多模态推理问题，如全局上下文理解不足和推理捷径问题。介绍阿里通义HumanOmniV2改进方案，涵盖全局上下文理解等方面，还详述冷启动、两阶段强化学习训练方案及数据集下载和训练方法。
GPT-Image-2平替！最强开源生图模型来了
OpenAI推出GPT Image 2引发AI生图大战，国内厂商商汤反击，推出多模态理解生成模型SenseNova U1并全面开源。它通过自研架构实现理解、推理、生成统一，实测表现惊艳，能力全维度，与GPT-Image-2范式不同。
GPT-5超越人类医生！推理能力比专家高出24%，理解力强29%
最新研究显示，GPT - 5在医疗领域处理多模态信息能力出色，在多模态测试中推理和理解得分比GPT - 4o分别提高近30%和36%，比人类医生还高。其能力提升源于端到端多模态架构，但现实应用还需更多实战考验。
有嘴就能用电脑的时代来了
作者分享语音输入体验，先自制工具，后用微信输入法，现用豆包输入法。指出语音输入对内容创作者等很重要，介绍豆包输入法优点，还提到语音输入成AI核心场景及使用建议。
华为Doc-Researcher 布局感知+视觉语义双杀
现有深度研究系统依赖文本网页数据，忽视多模态文档知识。华为Doc - Researcher系统解决多模态文档解析不足、检索策略有限、缺乏深度研究能力等问题，含多模块，能处理复杂多模态任务。
前百川智能联创焦可新创业公司曝光，新项目已上线 App Store
前百川智能联创焦可新创业公司曝光，其推出的AI语音产品“来福”已上线App Store。该产品定位AI语音电台应用，探索声音交互场景，目前仅邀测。国内大厂未推专注AI播客独立产品。
豆包「打电话」升级 Seeduplex：周围再吵，只认准你的声音
作者分享使用豆包语音通话功能体验，发现它换了新语音模型 Seeduplex。该模型是原生全双工语音大模型，解决半双工问题，在复杂场景表现出色，还介绍其技术逻辑及对行业的影响。
2亿多人开始和AI打电话，他们在聊什么？
2025年12月豆包月活达2.27亿，越来越多人与它语音通话。此前AI语音交互存在问题，豆包升级为全双工模型，体验更像打电话。作者实测其在不同场景表现出色，还分享使用技巧，并对比了和ChatGPT语音的优劣。
理解了巴菲特“补票”谷歌，就理解了字节、阿里与腾讯的AI入口大战
2026年初，字节、阿里、腾讯围绕AI入口与生态展开争夺。从巴菲特卖苹果买谷歌案例可理解这场大战，谷歌建成AI全栈生态，其他科技巨头布局时各有挑战，AI时代建立生态才能不败。