「原生多模态」共找到 1369 篇相关文章
重新定义检索！一款真正“跨模态”的 RAG 模型来了！用音频搜视频、文本找音乐！
传统RAG有速度慢、细节丢失等问题。Vidore开源的ColQwen - Omni 3B多模态RAG模型，支持跨模态检索，能直接处理音视频原始数据，保留细节，检索速度快，还具备轻量高效等特性，适用于多场景。
低延迟、高吞吐，LLM优化与高效推理引擎综述
LLM计算成本高，用户要低延迟，企业要高吞吐。工程师开发优化技术，如动态批处理、KV缓存、模型量化。论文对比25款推理引擎，还探讨了多模态支持、手机端推理、新型架构支持等进化方向。
模型的自我进化，可能真的开始了。
昨天Hermes Agent更新支持原生Windows，安装简单。它调用量超OpenClaw成榜首，与MiniMax M2.7组合迭代快，能长程干活、自主迭代解bug，还可复刻文档风格样式，两团队正合作后训练项目。
Qwen-Image-2.1开源：轻量高能，创作编辑一体化
通义千问团队正式开源Qwen-Image-2.1图像模型，该模型为7B轻量参数，整合文生图与图像编辑能力，原生支持透明图像生成编辑，做了多方面能力升级，开放多平台供开发者体验。
阿里发布首个「音视频实时交互」模型，实现数字人实时视频聊天
阿里发布原生流媒体端到端模型Wan - Streamer v0.1，能实时聆听、观看、思考、说话和响应视频。它在单个Transformer内完成感知等操作，延迟低，具备端到端多模态统一、低延迟等特点。
从顶级三甲到医疗巨头，他们为何都选择同一个AI“大脑”？
AI医疗迎来爆发，政策、技术、需求共振催生千亿蓝海。智诊科技WiseDiag医学多模态大模型成医疗企业破局关键，它有三大核心能力，适配多场景，还有低风险接入方案，现开放API免费试用。
谷歌重磅开源 A2UI，这将会是2026年Agentic UI的王炸级标准！
过去人和AI交互多靠文本框和语音，实际应用中存在问题。谷歌开源A2UI，是AI Agent和用户界面的中间层协议，核心是声明式JSON和客户端原生渲染，有多种能力，还给出快速入手步骤。
清华辍学、斯坦福睡地板，华人小哥用AI社交挑战Meta，融资数千万美元
来自中国的小哥Brandon Chen打造AI原生即时通讯工具Intent，已获数千万美元融资。它结合微信聊天与大模型自动执行功能，如处理图片、规划旅行、生成购物清单等，带来全新聊天体验。
首发 | 捏 Ta 完成超千万美金 PreA+ 轮融资，定义 AI 时代世界创作的基础设施
近日，AI原生社区捏Ta宣布完成超千万美金的Pre A+轮融资，由九坤创投领投，BV百度风投跟投等。此轮融资用于招人才、技术研发和拓展产品线。平台从创作角色升级到构建世界，定义‘世界表达协议层’。
康奈尔大学Steven Waslander：从「堆数据」到「用记忆」，拆解 Agentic 仓库机器人的长期记忆难题 | IROS 2026
本文整理康奈尔大学Steven Waslander教授在IROS的主旨演讲，针对智能机器人上下文窗口限制的瓶颈，分享其团队在仓库机器人长期记忆领域的两项核心研究，给出多模态记忆检索与环境动态检测方案，具备工业落地参考价值。