「深度多模态整合」共找到 1866 篇相关文章
阿里Qwen悄悄放出6个开源权重，国庆卷疯了~
国庆期间，阿里通义千问悄悄放出6个开源模型权重，Qwen3-VL是通义千问系列最强大的视觉 - 语言模型。其30B版本多模态表现媲美GPT - 5 - Mini等，功能与架构均有升级。
4.5k星星爆火！用图片压缩Fable 5上下文，成本大幅降低，终于用得起这个模型了
Fable 5在AI圈爆火，但使用成本比其他型号贵至少5倍。pxpipe项目把适合压缩的大段文本渲染成PNG图片，交给多模态模型读取，能大幅降低成本，还能增加上下文长度。
DeepSeek版Claude Code登顶热榜：8700星，鲸鱼哥火了
DeepSeek版Claude Code登顶GitHub热榜，Star量超8700且还在增长。DeepSeek TUI由Hunter Bown用Rust开发，能与DeepSeek深度集成，有多种模式，打破高价API限制，开发者是半路出家的程序员。
阿里刚刚开源了一款影视级配音项目，口型同步、音色转换都不是事！
阿里通义实验室语音团队联合中科大发布多模态电影配音模型Fun - CineForge，开源模型并构建中文电视剧配音数据集。它能处理多种场景，有视频理解等亮点，还给出制作数据集步骤。
AI版Chrome终于来了
Google正式推出Gemini in Chrome功能，将Gemini整合进Chrome浏览器。Chrome从‘内容展示器’变为‘内容理解器’，有多标签页处理等功能，提升效率，还推动浏览器形态演进，未来或能替用户操作。
快手AI超级员工上线！一句话剪出完整短视频，从文案到发布一条龙
快手AIGC超级员工Kwali正在内测，可一句话生成完整短视频。它整合多Agent框架，有素材库和数字人资源。能完成脚本、拍摄、剪辑等环节，降低视频制作门槛，重构视频供应链。
首次！世界模型、动作模型融合，全自回归模型WorldVLA来了
阿里巴巴达摩院提出全自回归模型 WorldVLA，首次融合世界模型与动作模型，统一文本、图片、动作理解和生成。它用独立编码器处理多模态数据，还提出策略解决误差累积问题，实验表现优异。
绝美无痕，比你还会P图的Agent！仅通过自然语言指令，灵活使用数百工具，超越GPT-4o达60%
JarvisArt提出多模态大模型驱动的智能Agent，通过理解自然语言指令，协调200+个Lightroom工具，实现媲美专业修图师的非破坏性编辑。其内容保真度超越GPT - 4o达60%，为AI艺术创作开辟新路径。
微软开源多智能体自定义自动化工作流系统，加速搭建基于AI的自动化系统
微软开源多智能体自定义自动化工作流系统，可助企业用AI智能体实现复杂组织任务自动化。该方案整合多项Azure服务构建管道，有聚焦核心价值等功能，还给出部署指南与成本估算。
上海AI实验室发布 Intern Lumina U2：全离散扩散建模，让模型既能“看懂”也能“生成”
上海人工智能实验室发布新一代多模态统一模型 Intern Lumina U2，基于全离散扩散建模路线，支持多任务，适配两大硬件生态，在昇腾千卡级集群训练效率提升 1.85 倍，性能优异且将开放资源。