多模态模型

商汤科技于2025年12月1日开源与南洋理工大学联合研发的NEO原生多模态架构，通过原生图块嵌入、统一注意力等创新技术，实现视觉与语言的深层融合，推动多模态AI进入“原生架构”时代，加速产业级技术标准...

2025年商汤科技开源空间智能大模型SenseNova-SI系列，8B版本以60.99分超越GPT-5和Gemini-2.5-Pro。突破空间结构理解技术短板，提供完整技术资源下载，推动自动驾驶、机器...

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。