Meta AI 近日推出了一种名为 FLAT 的多模态方法，旨在将图像和文本转换为同一套灵活长度的连续 token 序列，以统一支持检索与生成任务。FLAT 的核心机制采用嵌套 dropout，将视觉信息按从粗粒度到细粒度的方式组织，...

据《华尔街日报》报道，OpenAI 已低调收购 Glass Imaging，一家专注于利用人工智能让智能手机摄像头实现单反级画质的初创公司，交易估值超过 3 亿美元。Glass Imaging 成立于 2019 年，由两名前苹果工程师创办，二人...

近日，阿里巴巴Qwen研究实验室正式发布Qwen 3.8 27B，这是一款采用Apache 2.0许可的270亿参数开源大语言模型，开放权重约17GB。据知名开发者Simon Willison介绍，该模型在中等参数规模下集成了长上下文处理、高效工...

Mistral AI 正式发布 OCR 4.1，这是一款高度专用的视觉多模态模型，核心目标是摄取、解析并结构化复杂文档格式。该模型在复杂表格布局识别、层级文档结构理解方面表现突出，能够直接输出干净且机器可读的 JSON 或 Ma...

微软宣布其最新文本到图像模型MAI-Image-2.6在Arena文本到图像排行榜上首次亮相即升至第二位，排名超过Google、Meta和xAI等竞争对手。Arena排行榜基于用户盲测与偏好投票，是评估生成模型综合表现的重要公开基准之一...

字节跳动近日正式公开了其最新的原生音视频实时交互模型SeedRealtime，该模型突破了传统语音助手仅依赖音频或文本的限制，能够同时处理连续的视频、音频和文本流，并以人类对话般的自然速度进行实时语音回应。这一技...

MiniMax正式推出开源模型H3，首次在单一模型中打破了任务与模态的边界，实现了文本、图像、视频和音频的统一理解与生成。H3不再是简单的多模态拼接，而是在统一上下文中进行深层语义融合，尤其在视频生成领域带来了...

微软研究团队近期发布了Mage，一个专为研究场景设计的轻量级多模态模型家族。该系列模型严格遵循40亿参数的固定预算，在保持紧凑架构的同时，性能足以比肩规模大得多的开源系统。Mage包含两大核心成员：Mage-VL和Mag...