「多模态视频推荐」共找到 2088 篇相关文章
字节跳动Seed1.5-VL复杂图表精准抽取，Deep Think是多模态未来的主流
文章介绍字节跳动的Seed1.5-VL模型，它能精准抽取复杂图表，处理模糊图片、推理几何题。其由视觉编码器和LLM组成，预训练语料丰富，后训练结合多种方法，推荐在huggingface体验。
不上云、不租卡，如何优雅地在本地微调Qwen-VL-30B？
文章指出企业训练多模态助手，30B 参数的开源多模态模型如 Qwen-VL-30B 是不错选择，但多模态场景下显存需求大。联想 ThinkStation PGX 解决了显存难题，还介绍其性能、优势、适用场景及服务等。
DeepSeek睁开眼了！Opus-4.8的性能，1000张图不到20美分
DeepSeek首个多模态视觉模型deepseek-v4-flash-vision-exp上线DeepSeek API平台。文本能力与V4-Flash持平，多模态Agent能力逼近Opus-4.8，分析1000张图成本不到20美分，还上线免费Files API。
@所有开发者：Agent变现，阿里云百炼联合支付宝首创「AI打赏」！Agent Store全新发布
2025年是Agent元年，不过很多项目卡在POC阶段。6月25日阿里云百炼3.0全新升级，联合支付宝推“Agent打赏”功能，还上线Agent Store。此外，它升级多模态RAG和MCP能力，推出多模态交互开发套件。
全球首个人形机器人通用视觉感知系统，Humanoid Occupancy建立多模态环境理解新范式
北京人形机器人创新中心推出 Humanoid Occupancy 感知系统，创新性融合多模态传感器信息，构建通用感知框架。它以语义占用表征为核心，有全编码和适配融合优势，经实验验证性能优，推动机器人迈向通用感知时代。
北大卢宗青：现阶段世界模型和 VLA 都不触及本质｜具身先锋十人谈
北大卢宗青作为具身大脑创业者，认为现阶段世界模型和 VLA 未触及本质。他指出互联网视频数据是唯一可规模化的道路，其创立的「智在无界」正标注互联网视频中人类关节动作让模型学习。
刚刚，小红书开源了首个多模态大模型dots.vlm1，性能直追SOTA！
小红书人文智能实验室（hi lab）低调开源视觉语言模型dots.vlm1。该模型基于自研视觉编码器构建，在视觉理解和推理任务上接近SOTA水平，实测表现惊艳，还介绍了其技术架构、预训练数据布局等内容。
硬刚Sora2，万相2.6轻松定制角色、控制分镜，普通人也能当导演
2025 年视频生成领域发展迅猛，OpenAI 的 Sora 2 带来新玩法，商业落地加速，但普通用户体验门槛高。12 月 16 日阿里发布万相 2.6 系列模型，功能全面升级，实测效果惊人，标志 AI 视频生成迈向精准可控新阶段。
李飞飞首个多模态世界模型 Atlas 正式发布：从零开始预训练，几张图就能构建世界
李飞飞创办的 World Labs 发布多模态世界模型 Atlas，可原生处理多类型数据，有世界生成、重建和模拟等能力。还介绍其研发历程、技术特点，以及 World Labs 收购、融资等情况。
Codex 跟练全攻略
本文聚焦 Codex 学习，指出知名 AI 视频博主更新慢，而 B 站有全面的「Codex 跟练」专题，含快速安装、基础入门、进阶技巧、场景应用四个专区，不同阶段用户都能找到合适内容，视频跟练更高效。