「VLM多模态理解能力」共找到 1578 篇相关文章
超越GPT-4o和Gemini 2.5！小米MiMo-Audio音频大模型真香
小米推出MiMo - Audio大模型，预训练数据超1亿小时。它在多个基准测试成开源7B模型SOTA，开放相关资源。分词器表现佳，有全新架构，在音频理解、对话、推理等方面表现出色，还集成TTS功能。
比英伟达早，比李飞飞强，大晓Kairos原生一体化世界模型定义物理AI新路线
大晓机器人发布 Kairos 开悟世界模型，其首创“多模态理解 — 生成 — 预测”原生一体化架构，采用跨具身渐进式训练体系和“以人为中心”的数据金字塔，还实现端侧部署，在四大权威具身智能基准上全面登顶。
整整21个月，豆包大模型正式进入2.0时代！
时隔21个月，豆包大模型2.0正式推出。它在多模态理解、企业级Agent、推理和代码能力上有提升，在多个基准测评中达业界最优。实测显示其在编程、数学问题处理上性能出色，性价比也具优势。
兵临OpenAI！谷歌集结2500人「复仇」，Gemini 3夺回AI王座
谷歌发布Gemini 3欲夺回AI主导权。谷歌DeepMind的CTO与AI Studio产品负责人剖析其发布盛况等，称这是与全球用户共建AGI的实验，还谈到模型发展、应用及多模态等问题，也承认仍有提升空间。
天工Skywork开始"看"小红书了，1247个帖子的图片信息被它吃透！
昆仑万维技术发布周推出Skywork Deep Research Agent v2。它整合多模态检索理解和跨模态生成能力，有信息检索、小红书Agent等功能，Office Agent也有升级，还新增积分预估等特性，邀测后将全量开放。
Anthropic让AI先读员工手册再上岗：失控率从54%降到7%
Anthropic最新研究「模型规范中期训练」（MSM）显示，相同训练数据配不同行事原则，模型表现不同。MSM在预训练和对齐微调间加中间阶段，让模型读规范文档理解准则，在特定实验中，将Agent失控率从54%降到7%。
小红书，再造一个更有「声」命力的社区
2026年春节，小红书开放多种AI语音新玩法，如语音发布、评论、问一问等，增强社交趣味性。但AI语音落地面临音频理解、生成活人感和响应速度等问题。小红书有天然优势，技术团队自研模型达SOTA水平。
深谋商业化一骑绝尘！人形机器人中标国网电力，大载重eVTOL即将首飞
深谋科技在今年世界人工智能大会上大放异彩，其融合多模态感知检测的人形机器人中标国网河北电力项目，相关技术将应用于关键研究和装置研制。此外，其大载重eVTOL曜眸MX150E无人机即将首飞量产，有望成低空经济出海冠军。
从预测到干预，Aether AI为什么押注因果世界模型？
Aether AI 定义技术路线为「因果世界模型」，关注模型识别影响结果的变量、理解因果结构、模拟干预后果。它从预测未来的局限切入，介绍了因果能力的三类核心问题及研究成果，还用四层架构实现能力落地。创始人黄碧薇看好当下时机，从 Physical AI 切入创业。
【DeepSeek-OCR系列第一篇】Language Modelling with Pixels【ICLR23】
当前主流语言模型依赖固定词表，扩展到多语言、多脚本时面临覆盖受限、计算昂贵、鲁棒性差等问题。ICLR 2023论文提出不依赖词表的PIXEL模型，通过将文本变成图像用视觉Transformer理解，实验验证其有跨语言、抗噪声等优势。