「多模态识别」共找到 1147 篇相关文章
昆仑万维开源的SkyReels-V3，把马斯克请来带货了
1月29日，Skywork AI团队宣布开源SkyReels - V3多模态视频生成模型系列，涵盖三大核心能力，达业界领先。经测试表现出色，其技术有创新，且模块化设计适配性强。昆仑万维此前在视频生成领域迭代快，此次开源或加剧竞争。
分钟级定位 IO 瓶颈：多租户云环境下的智能诊断
随着云上规模扩张，多租户云环境下 IO 请求量剧增，IO 问题排查难。阿里云操作系统控制台构建 IO 一键诊断能力，能快速识别问题类型、把握诊断时机、屏蔽复杂关联流程，还介绍了实现原理和案例。
【一手实测】字节豆包 1.6 + Trae + 火山 MCP + FaaS：AI Agent 开发部署全流程体验！
本文作者实测字节豆包1.6系列模型，用其设计落地页，还借助Trae、火山方舟MCP等实现AI Agent开发部署全流程。测评显示豆包1.6多模态能力强，处理复杂指令效果好，价格实惠，字节AI云原生生态前景佳。
扒开源码：那个宣称“每半小时疯抢1万个注册码”的AI项目，到底在割谁？
近期技术群流传 UUMit 平台链接，宣称是“能让 AI 智能体自己接单打工赚钱的 A2A 平台”，极为火爆。但作者查看源码发现，该平台是前端单机戏法、点击劫持的广告套利站。文中还介绍了 AI 概念下五种套利黑产及识别方法。
密室逃脱成AI新考场，通关率不足50%，暴露空间推理短板丨清华ICCV25
清华大学团队受密室逃脱游戏启发，提出EscapeCraft：一个3D密室逃脱环境，用于评估多模态大模型在视觉环境中完成复杂任务推理的能力。该论文已入选ICCV 2025。研究评测了多个热门模型，发现它们在推理和探索行为方面存在诸多问题。
搜狗输入法，居然还在更新？？
在腾讯微信输入法上线、各类AI新产品轰炸的当下，搜狗输入法进行20.0 AI大版本升级。它有AI文本翻译、轻声识别等功能，用AI大模型全面重构，还接入腾讯混元、DeepSeek R1大模型，免费提供AI服务。
手握30亿、被蚂蚁狂挖人，转型被骂惨的王小川，真的翻身了？
在大模型竞争中，2023 年成立的百川战略收缩聚焦医疗，起初内外存疑。2025 年，AI 医疗技术与应用进展显著，今年初大厂入局。百川如今开源 Baichuan - M3 模型，王小川认为医疗已入应用阶段、多模态非主战场，且国内 To C 更好。
端到端语音模型：从语音表征到模型架构
本文整理自阶跃星辰语音模型负责人杨学锐在2025年QCon全球软件开发大会的分享。介绍大模型对语音技术的重塑，涵盖识别、合成等方面；阐述端到端语音模型构建，涉及表征、架构、训推和任务；还提及模型评估方法。
下一站AI创业主线：别卷模型了，把这件事干成才重要
在AGI Playground 2025上，极客公园张鹏与三位投资人探讨Agent时代投资。他们认为AI创业进入「拼交付」时代，多模态短期影响被高估、长期潜力被低估，通用Agent是巨头之争，垂直Agent是创业机会，还会催生新基础设施，付费模式向按结果付费演变。
2025，大模型文档解析（OCR）年终盘点
2025年6月以来文档解析方法快速增长，有10余种。按“技术路线 + 工程形态”可归为4大类：传统级联流水线、轻量多模态两段式、通用多模态大模型一段式、轻量多模态一段式，各有优劣，4条路线覆盖所有OCR落地场景。