搜索：统一多模态基础模型

「统一多模态基础模型」共找到 1751 篇相关文章

DeepSeek刚解决了AI视觉最后一块拼图：极低成本+精准视觉定位，AI接管电脑已无死角

DeepSeek放出新论文《Thinking with Visual Primitives》，解决多模态大模型中长期被忽视的“说不清位置”问题。提出将空间标记作为“最小思维单元”插入推理链条的方案，在多个任务上达前沿水平，但也存在精度、触发机制和泛化能力等局限。

Anthropic给Claude Code加语音模式，输入 /voice，长按空格说话即可输入，转录Token全免。OpenAI的Codex也更新类似功能。语音编程在Debug、架构讨论等场景好用，但识别变量名等仍有短板，未来编程将多模态。

美团推出 136 亿参数视频生成基础模型 LongCat-Video，采用 MIT 开源协议。该模型覆盖文本、图像生成视频及视频续写三类任务，能生成分钟级长视频。效率高，评测数据表现佳，安装和运行简便，引网友惊叹。

来自清华AIR与UC Berkeley BAIR的团队提出全球首个连续时间具身世界模型ODEWorld。它学习世界在每个时刻的变化方向与速度，能任意帧率自由生成，统一了离散模型分散的生成能力。

苹果又失去四名AI研究员，其中机器人研究小组首席AI研究员Jian Zhang跳槽到Meta，基础模型团队三人分别去OpenAI和Anthropic。苹果AI进展不顺，此前已有6人跳槽，离职潮预计还会持续。

动画上色是制作长篇动画时“烧脑”又“烧钱”的环节，现有AI主流方法多为局部处理，易导致色彩漂移、风格不统一。中国科学技术大学团队提出动态全局 - 局部范式，构建LongAnimation框架，可确保长动画色彩一致。

OpenAI 2025 年推出的 GPT - 4o 结合图像与语言能力，但引发视觉解码器设计及统一模型训练问题。Alibaba 力作 Ovis - U1 单一模型能完成理解、生成与编辑任务，介绍了其架构、训练过程和应用。

当地时间6月26日，谷歌正式发布Gemma 3n完整版，可在本地硬件运行。它是开源大模型，具多模态能力，最低2GB内存设备就能跑，E4B模型LMArena测评表现佳，还有MatFormer架构等多项创新。

多模态大模型存在“近视”和“走神”问题，总是过度关注图像底部而忽略核心内容。上海大学与南开大学研究团队用两条数学公式去偏干预，无需增加计算成本，却能显著提升主流模型视觉理解能力。

这是拾象团队的 AI 投资思考报告，复盘当下竞争时局，拆解 2026 年核心技术与产品趋势。分析了头部模型格局、技术路线、算力阵营等，探讨投资策略，还提及多模态、机器人、Agent 等领域发展。