搜索：多模态语音理解大模型

「多模态语音理解大模型」共找到 1763 篇相关文章

Karpathy的软件3.0：Agent的原生世界

OpenAI联合创始人Andrej Karpathy在Sequoia Ascent大会上表示，AI Agent正改变软件与工作模式。编程基本单位从写代码变为给Agent下达指令，软件3.0以上下文窗口为程序，LLM为解释器。他还提出理解AI能力分布的框架，给出创业建议。

全新AI生图模型FLUX.1 Krea [dev]发布，可在Krea Edit免费试用。官方称其“没有AI感，只有自然细节”。实测它在光影和自然细节表现不错，但对形象、时空结构理解待提升，还存在额度使用问题。

2025 年 AI 发展重心转移，高质量数据成新基石。本文解读五大技术趋势，如多语种 TTS 与全双工交互、多模态大模型等，还介绍了各趋势的数据需求及数据堂提供的相应数据服务方案。

本文介绍了vLLM的发展，自开源后成科技公司首选推理引擎。因DeepSeek发布，团队转向其模型特性优化；还参与各芯片支持工作。vLLM靠PyTorch支持多硬件，同时拓展到多模态推理，面临竞争仍保持优势。

BookRAG专为处理层次化复杂文档而生。传统RAG有两大盲区，而BookRAG在多模态长文档基准上刷新SOTA。它采用BookIndex×Agent - based Retrieval技术方案，效率高、可扩展性强，兼顾高精度、高召回、低成本。

OpenAI Codex团队在活动中称积极用Codex构建产品。文章介绍其7个应用场景，如理解代码、重构迁移等，还有6个使用技巧，像从提问模式开始、组织好提示等，展示了Codex在开发中的强大作用。

文章基于对 OpenAI 工程师的采访和内部使用数据，汇总了 Codex 在 OpenAI 内部的使用案例和最佳实践。展示其在代码理解、重构迁移等七大场景的应用，还给出使用的最佳实践，认为未来潜力大。

18岁华人小哥Eddy Xu的初创公司Build AI开源了有史以来最大的人类为中心数据集Egocentric - 10K，含10亿帧画面，规模是同类的100倍，场景扩展至工厂。不过其缺乏多模态信息，且human - centric路线也有局限。

文心5.0正式发布，主打原生全模态，支持全模态输入和输出。官方测试显示其多维度表现突出，在LMArena文本排行榜并列全球第二。实测其理解精细、能捕捉细节，技术上采用自回归统一结构和超大规模混合专家架构。

作者参加 Google I/O 大会后，受 James 用 AI 做 SEO 启发，尝试基于 Google 的 Gemini 2.5 Pro 模型制作 SEO 智能体。介绍数据获取方法，构建 3 个 Agent 进行分析、提建议和输出报告，Gemini 负责理解决策，适合出海企业。