多模态模型

阿里巴巴通义千问团队最新发布Qwen3-VL 2B和32B版本，在STEM问答、视觉理解等多项测试中超越GPT-5 mini和Claude 4 Sonnet。32B模型仅用少量参数实现与235B模型竞...

DeepSeek AI发布革命性开源多模态模型DeepSeek-OCR，实现10倍无损文本压缩，显著提升OCR处理效率。模型采用创新视觉压缩技术，单卡日处理20万页文档，为大规模语言模型训练提供全新解...

深度解析苹果在ICCV 2025大会发布的八篇前沿论文，涵盖MM-Spatial三维空间应用、STIV视频生成等突破性技术，揭秘这些研究如何推动AR设备和iPhone创作功能的未来发展。

LiblibAI 2.0正式上线，实现图文视频同界面创作功能，整合Qwen Image、Midjourney V7等前沿模型，内置500+视觉特效工具，提升创作效率300%，服务超千万设计师的AI创作...

腾讯混元团队开源全球首个800亿参数工业级多模态生图模型混元图像3.0，支持1000+字符文本理解和多语言文字渲染，在Github和Hugging Face可免费下载使用，推动AI图像技术普及。

深度解析智元机器人GO-1通用具身基座大模型的开源价值：全球首个ViLLA架构具身智能模型技术突破，配套Genie Studio开发平台降低应用门槛，推动机器人技术普惠化发展。

阿里云正式开源全球首个原生端到端全模态AI模型Qwen3-Omni，实现文本、图像、音频、视频同步处理，22项基准测试达SOTA水平，支持119种语言，将推动自动驾驶、智能座舱等场景技术落地。

可灵AI 2.5版本实现微表情与复杂情绪突破性进展，采用多模态两阶段生成框架，支持中英日韩多语种情绪表达，已服务4500万用户，显著降低影视制作门槛。

OpenAI重启机器人研发计划，聚焦通用机器人技术开发，通过物理世界交互加速AGI实现。了解新团队目标、技术突破与行业竞争，探索AI从虚拟向物理空间的延伸。

快手可灵AI发布新一代数字人功能，实现60秒长视频生成与高精度表情动作控制。该技术基于多模态大语言模型，支持跨语种演唱和多画风切换，适用于短剧、虚拟直播等场景。了解最新AI进展与应用潜力。