搜索：多模态文本智能

「多模态文本智能」共找到 4510 篇相关文章

谷歌用Gemini 3同时革了OpenAI和英伟达两家的命

谷歌发布Gemini 3全家桶，打断英伟达和OpenAI双赢美梦。它实现原生多模态，对OpenAI构成代际优势；用TPU训练模型，摆脱CUDA依赖，冲击英伟达算力神坛。谷歌全栈自研，其发展或改变AI格局。

今年10月以来，AI、AR眼镜迎新品发布期，双11销售大增，带火眼镜制造商和零售商。传统眼镜厂商受益于配镜需求和高利润率，但也面临价值量少、选择多等问题，且难成持续增长主力曲线。

谷歌Nano Banana Pro出世引发全网关注，它又名Gemini 3 Pro Image，整合多模态理解能力与知识库。普通用户可在Gemini应用免费体验，实测显示其实力强悍，还在网友手中玩出花，谷歌CEO也站台。

本文是对容启传感销售副总周志强的专访。容启传感专注智能传感器，目标是实现高端国产替代，已在医疗和真空领域取得成效。公司2020年战略升级，产品获市场认可，还完成首轮融资，未来有清晰规划。

近日，极佳视界完成新一轮亿元级 A1 轮融资，由华为哈勃、华控基金联合投资。该公司聚焦物理 AI，其创始人兼 CEO 黄冠博士称‘物理世界 ChatGPT 时刻’2 至 3 年内到来，世界模型技术价值已现。

当下文本生成图像扩散模型有进展，但现有布局到图像生成方法在复杂场景表现不佳。小红书智创AIGC团队提出InstanceAssemble框架，从架构和评测应对难题，实现复杂布局下精确图像生成，有广阔应用潜力。

香港大学黄超团队开源的DeepCode，能分析论文、生成可运行代码。在四大基准测试中全面领先，首超人类专家，还优于现有AI Coding。它有三大核心能力，采用三阶段框架实现代码自动转换。

Deepseek - OCR模型发布，通过光学压缩技术解决长文本处理的计算效率问题，能控制大模型token消耗成本。介绍了其架构设计、数据引擎及训练流程，还展示其用较少token超越现有模型的能力。

本文整理自字节跳动韩剑在AICon 2025北京站的分享，以Infinity为例介绍自回归视觉生成原理，对比其与扩散模型，展示Infinity升级方案成果，它在高分辨率文本到图像任务能与扩散模型竞争。

豆包语音团队发布「AI 多人有声剧」自动化方案，基于多角色 Seed - TTS - 2.0 模型，实现从小说文本到有声剧成品端到端 AI 制作，成本和周期大降，首批有声剧已在番茄小说 App 上线。