「多模态语音理解大模型」共找到 1763 篇相关文章
谷歌翻译重大更新：实时翻译，全球无障碍交流摩擦苹果
Google搜索产品副总裁宣布Google翻译引入Gemini模型，翻译能力飞跃。更新含顶尖文本翻译、实时语音对话翻译（Beta版）及扩展语言练习功能，适用多平台多语言，谷歌期待用户反馈以优化体验。
DeepSeek重磅开源3B OCR模型，一天处理20万页文档！一天内斩获6K标星！
DeepSeek开源3B OCR模型DeepSeek - OCR，参数量仅30亿，单张A100 - 40G一天能处理20万页文档，不到24小时获6K标星。它是视觉压缩引擎，解决大模型处理长文本算力爆炸问题，有诸多技术亮点。
斩获20K星！再见PDF排版噩梦，这个开源神器让文档处理爽到飞起！
MinerU是上海人工智能实验室推出的开源数据提取工具，能将多模态文档解析为Markdown，支持精准提取图片、表格、公式，具有多语言支持、高性能等特点，应用场景广泛，还开源免费。
面向 AI Agents 的高性能数据基座：架构和工程实践
在 QCon 全球软件开发大会上，晨章数据创始人陈亮分享了面向 AI Agents 的高性能数据基座。他指出 AI Agent 驱动的应用带来数据挑战，提出多模态数据基座设计目标，并介绍工程实践，证明传统架构有 CPU 瓶颈。
我用MiniMax Agent开发了个带后端的全栈网站，全程0代码
2025年Agent成AI领域焦点，大厂纷纷布局。作者测试MiniMax Agent，发现其有四大特点：深度研究和上下文管理强，多模态输出出色，编程能力超预期，能执行定时任务，还能开发带后端的全栈网站。
Qwen3新成员：Embedding系列模型登场！
今天正式发布Qwen3-Embedding系列模型，专为文本表征等任务设计，继承Qwen3多语言理解优势。在多项基准测试表现卓越，已在多平台开源，有卓越泛化性、灵活架构与多语言支持等特点。
视频版Nano Banana来了！内置Gemini世界知识；原版香蕉出图仅需4秒
谷歌开放Gemini Omni Flash API，将多模态推理与视频生成编辑结合，有4项关键能力，也有局限。Nano Banana 2 Lite出图快且便宜。二者串联使用，图像生成与视频创作可无缝衔接。
「动嘴办公」火起来了！TRAE SOLO让打工人张嘴就能干活
新智元报道，TRAE SOLO与Insta360联名推套装，实现「动嘴办公」。它能智能转录、修正语义、直调功能，可处理代码、文件等。还能过滤口语、理解语义，降噪拾音。4月底将上线实时问答互动。
Legora、Mercor 都在用，Reducto 能成为独立的 LLM 数据入口吗？
当前企业AI落地瓶颈在数据质量，Reducto聚焦数据准确性，以文档解析API提供Agentic OCR能力。它获多轮融资，估值达6亿美元，但面临多模态模型竞争及定价等问题，其未来走向待察。
视觉模型既懂语义，又能还原细节，南洋理工&商汤提出棱镜假说
南洋理工与商汤团队提出 Prism Hypothesis（棱镜假说）与 Unified Autoencoding（UAE）。论文指出视觉基础模型中语义理解和像素保真很难兼得，用频率谱统一视角解决冲突，UAE 实验效果良好。