搜索：多模态处理能力

「多模态处理能力」共找到 4501 篇相关文章

传统训练效率很低？我们靠 “给模型降噪” 重新审视长上下文建模难题

文章指出长上下文模型处理长文本时易受噪声干扰，提出新评估指标IG分数和“上下文去噪训练（CDT）”方法。实验表明CDT优于现有策略，经其训练的开源模型在长上下文任务中性能媲美GPT - 4o。

作者分享使用Vidu Q2多图参考生视频的体验，认为它是AI视频多参党的胜利，是新工作流范式。Q2在一致性、表演能力和多风格表现力上大幅进化，价格实惠，还推出APP，多图参考生视频未来可期。

OpenAI推出Sora2，可生成20秒1080p视频，在物理准确性等方面更优，还具备音画同步能力。文章对Sora2和谷歌Veo3进行多轮对比实测，涉及不同场景，也提及Sora2版权保护及App相关情况。

本文是朴朴科技对云上大数据平台成本治理的阶段性总结。其开展成本治理已三年，分“降本增效”三部曲：成本发现与分析、成本优化与控制、体系化治理构建，分享经验，助力同行开展相关工作。

TTS技术从单一合成进化到多模态表达，但传统模型在跨语言/方言混合场景有不足，商业工具费用高且不开源，开源方案训练数据少。阿里推出Qwen3 - TTS，实现人类级自然度和表现力，功能强大，应用场景多。

企业级智能体（Agent）市场崛起重构云服务竞争格局，云厂商需提供全栈能力。腾讯云宣布智能体开发平台3.0上线，优图实验室关键技术持续开源。文中还分析企业开发Agent难题及腾讯云应对举措。

在AI Infra Summit上，英伟达宣布推出NVIDIA Rubin CPX GPU，专为处理百万token级代码生成和生成式视频应用。它是首款为超大上下文AI量身定制的CUDA GPU，性能强且能效高，预计2026年底推出。

阿里推出总参数达1万亿的Qwen3 - Max - Preview （Instruct），比前一代Qwen3（235B）强四倍，发布即上线。官方测评显示它打败Claude Opus 4等对手，实测其编程能力出色，后续正式版值得期待。

AI员工呼声高却未落地，瓶颈可从其源起探寻。早期自动化工具非真正数字员工，大模型带来新可能，但存在时效性、场景定义、意图澄清、知识更新、博弈能力等问题，未来建议局部替代，先以实习生角色上岗。

作者作为创业者和 Agent 重度用户，分享了使用文库 GenFlow2.0 的体验。它是全球首个全端通用 Agent，支持多 Agent 并行工作，过程可干预，整合多维生态，交付形态接近专业生产工具，还支持 MCP 协议开放能力。