「语音多模态」共找到 1188 篇相关文章
全图与切片并非等价？LLaVA-UHD-v3揭示差异推出高效全图建模方案
随着多模态大模型发展，处理高分辨率图像成关键。主流视觉编码范式难兼顾性能与效率，清华和中科院团队发布 LLaVA-UHD v3，提出 PVC 框架，对比 SBE 和 GNE，验证其在提升效率同时保留模型能力。
从「对口型」到「会表演」，刚进化的可灵AI数字人，技术公开了
快手可灵团队让数字人从「对口型」进化到「会表演」，全新数字人功能在可灵平台公测。技术报告Kling - Avatar解析背后技术路径，设计多模态两阶段生成框架，实验显示其在多方面领先竞品。
Cursor终结者？Grok 4正式登顶！马斯克扬言编程碾压，20万N卡年赚47亿美金！
时隔5个月，xAI发布通用模型Grok 4，后续还将推编码、多模态代理和视频生成模型。Grok 4已上线，有三个订阅版本。马斯克称其智能超博士生，在多基准测试中领先，编码或超Cursor。
从操作系统到Agent Team，字节Seed 2.0来了！
作者受字节内测邀请，对豆包大模型Seed 2.0进行多方面测试。在APP开发、多模态理解、操作系统构建、Skills调用、真实项目开发等测试中表现出色，虽有小缺点，但整体提升大，值得试用。
能效翻5倍！他们复刻人脑双记忆通路，造出能长效记住上下文的类脑AI芯片
帝国理工学院博士后孙鹏飞和苏黎世联邦理工博士后苏哲及合作者，受大脑皮层机制启发，打造“双重记忆路径”类脑网络及配套芯片，处理语音识别任务时能效比此前优方案高5倍。相关论文发表在《自然·机器智能》且代码、设计全开源。
比豆包手机还狠！Gemini电视登场CES，谷歌打响客厅革命第一枪
2026年CES上科技新品频出，谷歌将Gemini AI引入Google TV，让电视具备自然语言内容发现与推荐、教育深度学习等功能，还增强语音控制能力，打响客厅AI革命第一枪，同时涂鸦智能展示了AI生活助手等产品。
抖音&LV-NUS开源多模态新模，以小博大刷新SOTA，8B推理比肩GPT-4o
抖音SAIL团队与LV - NUS Lab联合推出多模态大模型SAIL - VL2，以中小参数规模在106个数据集实现性能突破。该模型从架构、数据、训练三方面创新，后经全链路优化，在多数据集验证中表现卓越。
文心快码正式发布 AI IDE，生成超 43% 百度新增代码
6月23日，百度副总裁陈洋发布文心快码独立AI原生开发环境工具Comate AI IDE，这是行业首个多模态、多智能体协同的AI IDE。目前文心快码生成代码占百度每天新增代码超43%，在多方面有显著优势。
SQL玩转多模态AI，轻松搞定图片+文本混合搜索
在AI驱动智能商业时代，传统搜索系统难满足需求，AI检索系统又面临数据搬运和工具链割裂难题。本文提出用原生SQL实现多模态智能检索，基于PolarDB融合AI引擎，通过SQL调用服务，无需迁移数据与搭建独立服务。
PixelRefer ：让AI从“看大图”走向“看懂每个对象”
多模态大模型多停留在整体场景级理解，现实任务需细粒度、对象级理解。浙江大学等联合提出PixelRefer框架，可实现精细视觉指代与推理，在多项任务表现领先，轻量版性能优，还开源两类数据集。