多模态AI

阿里通义千问正式开源Qwen3-VL系列视觉理解模型，4B与8B版本通过密集架构实现显存优化，在STEM问答、VQA、OCR等任务中综合性能领先竞品，支持端侧实时AI应用，推动国产多模态模型小型化技术...

Luma AI推出全球首款多模态推理视频模型Ray3，支持16位HDR生成、4K输出与智能修正功能，深度集成Adobe工作流。了解其技术优势、商业应用及对AI视频行业的影响。

深度解读谷歌Gemini最新引导式学习功能：基于100万token多模态推理的AI教学系统，实现数学测试准确率86.7%并支持跨语言扩展，重塑在线教育技术标准。

生数科技完成数亿元A轮融资，领跑多模态AI赛道。Vidu模型覆盖200+国家，年收入超2000万美元。融资助力技术研发与全球商业化，对标Google Nano Banana。

深度解读上海知识产权国际论坛核心议题：商汤科技展示AI如何通过大模型技术提升专利检索、侵权监测效率，实现知识产权全场景智能化，并分享AI与知识产权全球治理的前瞻思考。

DeepSeek团队开源30亿参数OCR模型DeepSeek-OCR，采用创新光学压缩技术实现97%识别精度。该模型在长文本处理、多分辨率输入方面表现卓越，为金融、医疗、出版行业提供高效数字化解决方案...

深度解析苹果Manzano多模态AI模型的混合分词器架构、35亿参数性能表现及其在iOS系统中的战略意义，对比GPT-4o技术优势。

深度揭秘苹果秘密研发的Manzano多模态AI模型：具备图像理解与生成双重能力，技术指标接近行业领先的GPT-4o和谷歌Gemini 2.5 Flash Image。分析苹果如何挑战现有AI市场格局...

昆仑万维Skywork R1V4-Lite多模态智能体正式发布，集成视觉操作、深度推理与任务规划，在多项基准测试中超越Gemini 2.5系列，响应延迟降低19倍，为移动端AI应用提供高效解决方案。

OpenAI被曝正在测试基于GPT-5模型的全新AI智能体GPT-Alpha。该技术突破传统生成式AI边界，支持文本、代码、图像多模态协同处理，具备高级推理与工具使用能力。本文详解其核心功能、应用场景...