法国人工智能研究机构Kyutai最新推出突破性语音互译系统，该系统基于多流Transformer架构，可实现高保真度的实时语音到语音翻译。该技术突破传统文本中转翻译模式，直接在声学层面进行跨语言转换，并保持原说话者的...

近期，一项名为Mixture-of-Mamba的创新研究在人工智能领域引起广泛关注。该研究通过将模态感知稀疏性引入状态空间模型(SSMs)，实现了高效的多模态预训练。与传统Transformer模型相比，Mixture-of-Mamba在文本、图像...

近日，Qwen团队发布了一款名为Qwen 2.5 32B的视觉语言模型，该模型不仅具备强大的多模态处理能力，而且完全开源，能够在消费级硬件上高效运行。这一重大突破为AI领域的研究者和开发者提供了更加灵活和便捷的工具，尤...

Baichuan Omni 1.5 是一款支持文本、图像、视频和音频输入以及文本和音频输出的开源全模态基础模型。该模型采用任意到任意（any-to-any）的设计风格，属于原生多模态模型的一种典型代表。其核心技术在于使用了交错的...

近日，GitHub上发布了一个名为REF-VLM的开源项目，该项目通过引入基于三元组的结构化表示，统一了多模态大语言模型（LLMs）中的视觉解码任务。多模态LLMs是当前人工智能领域的前沿技术，能够在处理视觉和文本信息时...

Hugging Face与Yaak合作推出了L2D数据集，这是目前最大的开源多模态数据集，专为汽车人工智能（AI）领域设计。该数据集包含了从驾驶学校收集的专家和学生驾驶策略，并通过自然语言指令增强了空间智能模型的能力。这...

近期，一项关于视觉语言模型（Vision Language Models）的研究引起了广泛关注。该研究通过结合简单可验证奖励机制与规模化强化学习（Scaled Reinforcement Learning），显著提升了模型的性能。研究团队在论文中详细...

VARGPT是一种多模态大语言模型（MLLM），其独特之处在于将视觉理解与生成功能统一在一个自回归框架内。这一创新设计使得VARGPT能够同时处理文本和图像数据，实现更高效的跨模态信息处理。通过自回归机制，VARGPT不仅...