「多模态语音理解大模型」共找到 1763 篇相关文章
SRO赋能Qwen-2.5-VL推理性能飙升16.8%
文本领域推理模型成就大，但多模态大型语言模型推理能力扩展遇阻，如冷启动初始化不足等。提出SRO三阶段训练框架，经测试，ReVisual - R1平均性能提升16.8%。
商汤新模型 SenseNova-U1 Pro 曝光，对标 GPT-Image-2，瞄准「设计」赛道
商汤科技在股东大会预告下一代旗舰多模态基座模型 SenseNova-U1 Pro，预计 2026 年 7 月邀测，对标 GPT-Image-2，瞄准「设计」赛道，具备多核心能力，还支持 8K 分辨率输出。
5 分钟上手「AI 版 Chrome」,小红书发帖全程零人工，反检测封神
自从Manus产品发布，Agent赛道火热，不少大厂和创业者涌入。如今有浏览器Agent开源方案opendia，它有智能页面理解等AI能力，能用于社交媒体互动等多方面。
SRO架构赋予Qwen-2.5-VL推理能力，性能飙升16.8%
文本领域推理模型成就大，但扩展到多模态大语言模型遇阻力，如冷启动初始化不足等。为此提出 SRO 三阶段训练框架，经测试，ReVisual - R1 平均性能提升 16.8 个百分点。
Soul APP开源了一款高保真播客生成框架，90 分钟对话零崩盘！
Soul APP背后的Soul AI Lab发布开源项目SoulX - Podcast，是高保真推理框架，能生成90分钟以上连贯对话，有多方言切换等功能，或重塑语音内容产业生产方式。
谷歌Gemini 3.1新模型深夜掀桌, 每秒狂飙363 token! 1/4价格暴击Claude
谷歌深夜推出Gemini 3.1 Flash-Lite，输出速度363 token/s，价格仅0.25美元/百万Token，跑分碾压GPT-5 mini和Claude 4.5 Haiku。开发者可通过Google AI Studio体验，企业用户可通过Vertex AI接入。
上下文工程（Context Engineering）综述：大模型的下一个前沿
文章提出“上下文工程”学科，通过整合1400余篇论文构建“基础组件 - 系统实现”框架。它将上下文定义为动态结构化信息集合，揭示LLMs理解强于生成的矛盾，为AI研究指明方向。
谷歌放大招了，开源命令行AI编程Agent，每天1000次免费调用，编程只是基础功能。
Google推出开源命令行AI编程Agent——Gemini CLI，基于Gemini 2.5 Pro模型，免费提供每日1000次调用额度。它不仅能编程，还具备多模态能力、实时信息整合等功能，支持定制与自动化。
8.9K Star！号称 Notebook LM 开源平替，支持 16+AI 模型，一键部署！
Google Notebook LM 虽方便，但有数据泄露风险且被平台绑定。开源工具 `open-notebook` 是其平替，支持 16 + 家 AI 模型提供商，可处理多模态内容，能本地部署保障数据安全，还具备多种实用功能。
18.5K star！一键将电子书转为有声读物，支持1k+语言！
开源君分享开源工具`ebook2audiobook`，能将20多种格式电子书一键转为有声读物，支持超1100种语言，有语音克隆等功能，在Github获18.5K star，安装使用简单。