「多模态语音理解大模型」共找到 1763 篇相关文章
腾讯纯文本LLM训视觉encoder，拿捏图表长视频，达到开源小模型SOTA！
腾讯开源Penguin - VL，直接用纯文本LLM训视觉编码器，跳出传统多模态拼接套路。在2B/8B紧凑参数规模的复杂任务中竞争力强，训练分三阶段，相关代码、模型等已开放。
Karpathy最新发文：醒醒！别把AI当人看，它没欲望也不怕死
Andrej Karpathy在推文中反驳将大模型视作「更聪明人类」的观点，指出大模型是「非生物」智能，其进化压力、学习机制、运行方式与人类不同。清楚这是全新智能，对理解大模型很重要。
MIT给微型机器人做了颗芯片，功耗仅6毫瓦，能实时3D建图
麻省理工学院研究团队开发出名为 Gleanmer 的微型芯片，功耗仅 6 毫瓦，能实时生成三维占据地图。它解决了机器人导航核心问题，通过多项优化提升性能，或让小设备拥有空间理解能力。
产业级 Agent 如何破局？百度吴健民：通用模型难“通吃”，垂直场景才是出路
InfoQ 采访百度吴健民探讨产业级 Agent 破局点。他指出 Agentic 模型训练卡点在真实环境复刻；通用模型难“通吃”，垂直场景定制模型是关键；多模态未实现统一建模，分开优化效果更好。
「香蕉革命」首揭秘！谷歌疯狂工程师死磕文字渲染，竟意外炼出最强模型
谷歌最新图像模型nano banana横空出世，能融合图片、理解地理等结构，实现多轮创作。它凭借Gemini知识与交错生成技术，重塑AI图像生成边界。谷歌团队揭秘其技术，还谈及未来发展方向。
深度拆解，硬核解构，揭开vLLM推理系统实现高效吞吐的秘籍
文章深度拆解 vLLM 推理系统，介绍其核心组件和高级特性，包括推理引擎流程、调度机制、高级功能等，还提及系统扩展、分布式部署、性能测量等内容，助力读者理解推理引擎工作原理。
Meta开源首个320亿参数代码世界模型CWM
Meta FAIR发布320亿参数的研究模型Code World Model (CWM)，用“世界模拟”方式处理代码，试图真正“理解”代码逻辑。它在Math - 500数据集测试成绩亮眼，模型权重开放，可多渠道下载。
ICLR 2025新成果：文档检索“降本增效”，从此“开挂”
传统文档检索系统处理视觉信息丰富的文档存在瓶颈，ColPali方法直接从文档页面图像生成多向量嵌入，简化流程、提高性能、降低延迟。ColQwen - Omni在其架构上扩展到图文+音频多模态匹配。
炸裂！谷歌I/O大会王者归来：Gemini“世界模型” 初现，搜索“换脑”，一句话制作原声电影
谷歌I/O 2025大会发布大量技术，虽Gemini 2.5 Ultra未到，但Pro有革新。还推出新模型、代理工具，多模态能力提升，搜索重塑，加入AI眼镜开发，倾尽全力发展AI生态。
FACTS 基准测试套件问世，用于评估大型语言模型的事实准确性
FACTS 基准测试套件由 FACTS 团队与 Kaggle 联合开发，基于原 FACTS Grounding Benchmark 增加三个新基准，可从四个维度评估大模型事实性。初步结果显示进展与挑战并存，多模态成难题。