「多模态社区」共找到 1335 篇相关文章
谷歌大佬盛赞Fable 5！23年前PC神作，40分钟塞进iPhone
谷歌DeepMind高管Ammaar Reshi用Claude Fable 5将2003年游戏《命令与征服：将军 零点时刻》原生编译到iOS，虽有内存等问题，但推动游戏保存流水线成型，即厂商开源+社区移植+AI编译。
阿里发布首个「音视频实时交互」模型，实现数字人实时视频聊天
阿里发布原生流媒体端到端模型Wan - Streamer v0.1，能实时聆听、观看、思考、说话和响应视频。它在单个Transformer内完成感知等操作，延迟低，具备端到端多模态统一、低延迟等特点。
ACL 2026｜证据摊开看，场景图画清：让流式视频大模型拿捏「何时开口」
随着多模态和大语言模型发展，人类与 AI 交互走向共生。现有视频大模型难把握响应时机，西北工业大学等团队在 ACL 2026 提出 Response - G1 框架，实验显示其提升了模型性能。
DeepSeek V4还能更省！新工具缓存命中率高达99.82%，2折稳定到手
DeepSeek V4系列发布1个月，官方永久降价，开源社区的Reasonix项目将缓存命中率干到99.82%，能大幅降低成本。它专为DeepSeek打造，实现思路基于其缓存机制，安装使用简单。
从「说错话」到「干错事」：复旦、CityUHK、SMU、UIUC等13家机构联合发布「具身智能安全」综述
具身智能正从实验室走向现实世界，却带来‘干错事’的现实风险。13家机构38位学者联合发布70+页综述，提出‘能力—风险’二象性，梳理各能力层攻击面与风险，还指出研究空白，维护开放资源生态。
ChatGPT那一套要过时了？翁荔实测创业首个模型，回合制AI被“原生实时交互”秒了
Thinking Machines推出交互模型TML - Interaction - Small，可实时接收多模态输入并响应，性能超现有实时系统。该模型未开放，计划先有限预览再广泛发布，若开放将为企业带来巨大价值。
龙虾之后，我看到了 OPC 的新机会：FDE
3月龙虾爆火催生上门安装生意，大厂纷纷下场。背后是FDE商业模式，即前沿部署工程师模式。该模式在AI时代火起来，因AI Agent需求难定义，且做FDE门槛降低。FDE能弥合产品与需求差距，对OPC创业有借鉴意义。
重磅！iPhone 端侧可部署 Gemma 4 了！完全零token消耗！
PhoneClaw 是运行在 iPhone 的本地 AI Agent，可离线运行 Google Gemma 4。它支持多模态，有隐私保障和灵活模型管理。文中介绍使用方法、自定义 Skill 方式、常见问题，还提及后续扩展计划。
Gemini 3.1 Flash-Lite Preview发布：Google完成AI模型分层布局
Google发布Gemini 3.1 Flash-Lite Preview，针对企业和开发者场景优化，速度快，有‘思考级别’功能。基准测试表现不错，价格比Claude 4.5 Haiku便宜，但开发者社区反应复杂，面临市场定位问题。
Kimi团队深夜潜入Reddit开了场AMA，他们都聊了些什么？（据说代号4494就是杨植麟本人）
今日凌晨，Kimi团队在Reddit社区开展AMA交流，解答大家疑问。期间回应Claude蒸馏争议，探讨编程写作侧重、小参数模型需求、缩放定律等问题。K2.5表现出色，K3值得期待。