「多模态输入」共找到 1113 篇相关文章
谷歌放的这波免费AI额度，大到很多人以为是假的
谷歌在Google AI Studio上调整Gemini API免费层规则，额度达每分钟100万token，无额外申请门槛。覆盖Gemini 2.5全系列模型，支持多模态输入。开发者反应两极，有人看好，也有人质疑。
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。
把 Nano Banana/Gemini 3 Pro 榨干！这几点你必须知道
Gemini 3 放出 Pro 和 Nano Banana Pro 两条线，前者主打长上下文、多模态推理，后者专攻像素级生成。文章提炼精髓，给出“通用 + 像素”双模实战笔记，介绍两者使用要点及创意场景实测。
实测全新 SkyReels ：AI 创作，终于连成了一体
当前AI生成技术虽强，但视频创作仍门槛高、流程琐碎。昆仑万维推出全新SkyReels，是多模态创作系统，AI科技评论实测其画布、Agent等功能实用，它依托统一框架，核心竞争力在实现“统一性”。
AI发现医生看不见的隐藏心脏病风险，近90%准确率远超人类专家｜Nature子刊
登上《Nature》子刊的研究显示，约翰霍普金斯大学团队开发的多模态AI模型MAARS，用深度学习处理原始MRI图像，实现对心源性猝死风险高精度预测，准确率达89%，还能辅助制定个性化医疗方案。
真正能用好AI的企业是怎么做的？（附企业级AI落地实战手册）
数字化深入，非结构化文档成企业难题。合合信息发布白皮书，提出复杂文本智能五大核心能力标准，用11个行业标杆案例展示多模态文本智能技术应用，提供可复制落地范本。
抖音SAIL团队联合港中文MMLab推出SAIL-Embedding：打通「视、文、音」的全模态嵌入
字节跳动抖音SAIL团队联合港中文MMLab提出SAIL - Embedding，专为大规模推荐场景设计，实现视、文、音统一表征，解决传统多模态模型局限，在抖音业务场景效果显著，相关技术报告已公开。
“扁平+拓扑”双索引，85页PDF"秒级"推理，MMRag幻觉率骤降76%
文章聚焦多模态长文档视觉问答，介绍现有LVLM - based和RAG - based技术路线及困境。提出MMRAG - DocQA方案，引入‘分层索引 + 多粒度检索’，设计双索引建模相关性与依赖，用互补策略实现证据互补。
港中文 MMlab×美团新研究：仅用一个模型，应对多种视觉推理任务
港中文 MMLab 与美团联合提出 OneThinker 多模态统一推理模型，将多种视觉任务抽象为‘先推理、后作答’形式，通过多任务强化学习优化。实验显示其在多任务表现佳，为通用视觉推理模型提供参考。
红杉的投资哲学和秘密武器，a16z 投了个很有意思的 AI 学习产品
文章分享红杉投资哲学与秘密武器。决策重信念而非共识，管理赋能‘异类’人才，聚焦可控‘输入’，筛选要有勇气。还提到其‘人才佩奇排名’系统，此外介绍a16z投资的AI学习产品。