多模态大模型
阿里Ovis-U1震撼发布：多模态AI三合一，开源赋能全球开发者
2025年6月29日，阿里巴巴国际AI团队正式发布了全新多模态大模型 **Ovis-U1**，标志着其在多模态人工智能领域的又一重大突破。 作为Ovis系列的最新力作，Ovis-U1将多模态理解、图像生成和图像编辑功能融为一体，展现了强大的跨模态处理能力，为开发者、研究者和行业应用提供了全新的可能性。 以下是AIbase对Ovis-U1的详细报道。
6/30/2025 10:00:59 AM
AI在线
通义千问发布多模态统一理解与生成模型Qwen VLo
近日，Qwen VLo多模态大模型正式发布，该模型在图像内容理解与生成方面取得了显著进展，为用户带来了全新的视觉创作体验。 据介绍，Qwen VLo在继承原有Qwen-VL系列模型优势的基础上，进行了全面升级。 该模型不仅能够精准“看懂”世界，更能基于理解进行高质量的再创造，真正实现了从感知到生成的跨越。
6/28/2025 10:00:43 AM
AI在线
全新 GoT-R1 多模态模型发布：让 AI 画图更聪明，图像生成新纪元！
近日，来自香港大学、香港中文大学以及商汤科技的研究团队发布了一个令人瞩目的新框架 ——GoT-R1。 这一全新的多模态大模型通过引入强化学习（RL），在视觉生成任务中显著提升了 AI 的语义和空间推理能力，成功应对复杂的文本提示生成高保真、语义一致的图像。 这一进展标志着图像生成技术的又一次飞跃。
6/26/2025 1:00:48 PM
AI在线
立体几何成大模型 “拦路虎”，SolidGeo 基准助力 AI 突破空间推理瓶颈！
在人工智能领域，多模态大模型（MLLM）一直在不断进化，然而最近一个新发布的基准测试 ——SolidGeo，给这些模型带来了前所未有的挑战。 由中国科学院自动化研究所的研究团队推出的 SolidGeo，专注于立体几何的推理能力，成为了首个系统评估多模态模型在三维空间理解方面的基准。 与传统的平面几何相比，立体几何的复杂性在于它需要理解三维结构及其空间关系。
6/24/2025 5:00:42 PM
AI在线
云从科技的多模态大模型获全球认可，登顶 OpenCompass 榜单
近日，云从科技自主研发的多模态大模型 “从容 V2.0” 在全球知名的 OpenCompass 多模态榜单上以高达80.7分的优异成绩脱颖而出，荣登榜首。 这一成就标志着中国在人工智能领域的进一步突破，尤其是在视觉感知、认知理解和跨领域应用等专业领域的表现令人瞩目。 “从容 V2.0” 模型的成功不仅得益于其在技术上的创新，更是云从科技在多模态人工智能研究领域多年耕耘的成果。
5/30/2025 10:01:19 AM
AI在线
蚂蚁集宣布正式开源统一多模态大模型Ming-lite-omni
5月27日，在蚂蚁技术日上，蚂蚁集团旗下的百灵大模型（Ling）团队宣布正式开源统一多模态大模型Ming-lite-omni。 据蚂蚁方面介绍，这是一款基于Ling-lite构建的MoE架构的全模态模型，其总参数22B，激活参数3B。 据悉，Ming-lite-omni当前模型权重和推理代码已开源，后续会陆续开源训练代码和训练数据。
5/29/2025 11:27:00 AM
郭海惟
多模态大模型视觉推理能力评估:o3 仅得 25.8% 分数
近日，由清华大学、腾讯混元、斯坦福大学及卡耐基梅隆大学的研究团队联合发布了一项新评估基准 ——RBench-V，专门针对多模态大模型的视觉推理能力进行测试。 该基准的推出，旨在填补当前评估体系中对模型视觉输出能力的空白，以便更全面地了解现有模型的性能。 RBench-V 基准测试包含803道题目，涉及多个领域，包括几何与图论、力学与电磁学、多目标识别和路径规划等。
5/28/2025 12:01:20 PM
AI在线
商汤坐上大模型核心牌桌
过去两年，关于大模型的讨论视角很少从商汤这样成立不过十年、资源与技术积累正当青壮年的人工智能公司出发。 造成这一现象的主要原因是两个技术周期的迥异：2023 年之前，商汤的人工智能技术路径以计算机视觉模型为主，不同于 ChatGPT 为代表的新技术浪潮：以自然语言处理为主、大规模参数模型为核心。 一个是视觉、一个是语言，在外界看来两个赛道还没有发生直接的关系。
5/9/2025 11:42:00 AM
陈彩娴
共同阶跃星辰与原力灵机达成战略合作
阶跃星辰与原力灵机在北京签署了战略合作协议，双方将利用各自的技术优势，在多模态大模型技术、智能终端 Agent 和具身智能场景方面展开深入合作。 此次合作的目标是实现 “实现在物理世界的推理”，共同开发一种名为 “RoboAgent” 的智能机器人，推动通用人工智能（AGI）在实际应用中的落地。 签约仪式上，阶跃星辰的创始人兼 CEO 姜大昕博士和原力灵机的联合创始人范浩强共同见证了这一重要时刻。
4/24/2025 2:00:46 PM
AI在线
上海人工智能实验室推出升级版多模态大模型 “书生・万象 3.0”
在人工智能迅速发展的今天，上海人工智能实验室再次引领潮流，推出了全新的多模态大模型 “书生・万象3.0”。 这一升级版本不仅在技术上进行了全面提升，还在多模态预训练和后训练方法的加持下，展现出了更强大的基础能力和应用潜力。 “书生・万象3.0” 具备同时处理文本和多种多模态输入的能力，这使得它在多个应用场景中都能表现出色。
4/17/2025 2:01:15 PM
AI在线
多榜单登顶！华为 & 哈工深团队提出 AdaReTaKe，突破长视频理解极限
第一作者为哈尔滨工业大学（深圳）博士生王霄和华为大模型研究员佀庆一，该工作完成于王霄在华为实习期间。 王霄的研究方向为多模态视频理解和生成，佀庆一的研究方向为多模态理解、LLM post-training和高效推理。 随着视频内容的重要性日益提升，如何处理理解长视频成为多模态大模型面临的关键挑战。
4/4/2025 1:39:00 PM
机器之心
百度发布文心4.5与X1大模型，价格大幅降低引关注
近日，百度正式推出其最新的文心大模型4.5及文心大模型 X1，用户可在文心一言官网免费体验这两款先进的模型。 文心4.5是百度首个原生多模态大模型，专注于多模态理解和逻辑推理，其性能在多项基准测试中超越了 GPT-4.5，API 调用价格仅为后者的1%。 这一显著的价格优势，无疑会吸引更多开发者和企业的关注。
3/16/2025 11:35:00 AM
AI在线
阿里巴巴推出AI旗舰应用“新夸克” 全面升级为“AI超级框”
3月13日，阿里巴巴正式推出其AI旗舰应用——新夸克。 这款全新升级的夸克基于阿里通义领先的推理及多模态大模型，打造了一个无边界的“AI超级框”，为用户带来全新的AI体验。 新夸克的创新之处在于将AI对话、深度思考、深度搜索、深度研究和深度执行等功能整合到一个极简的“AI超级框”中，一站式满足用户多样化的需求。
3/13/2025 11:29:00 AM
AI在线
谷歌开源新一代多模态模型 Gemma-3：性能卓越、成本降低 10 倍
谷歌 CEO 桑达尔・皮查伊（Sundar Pichai）在一场发布会上宣布，谷歌开源了最新的多模态大模型 Gemma-3，该模型以低成本、高性能为特点，备受关注。 Gemma-3提供了四种不同参数规模的选项，分别为10亿、40亿、120亿和270亿参数。 令人惊讶的是，最大参数的270亿模型只需一张 H100显卡即可高效推理，而同类模型往往需要十倍的算力，这使 Gemma-3成为目前算力要求最低的高性能模型之一。
3/13/2025 8:52:00 AM
AI在线
华为昇腾携手阶跃星辰推出开源多模态模型，进军 AI 新领域
近日，魔乐社区（Modelers）正式上线了由阶跃星辰研发的 Step-Video 和 Step-Audio 两款开源多模态大模型。 这两款模型分别用于视频生成和语音交互，旨在为开发者和企业用户提供更强大的 AI 工具。 Step-Video 模型的全名为 Step-Video-T2V，这是一款参数量高达300亿的全球最大开源视频生成模型。
3/10/2025 4:04:00 PM
AI在线
效果最佳！阶跃星辰开源Step-Video-T2V 视频生成模型
今日，阶跃星辰与吉利汽车集团宣布，联合开源两款阶跃Step系列多模态大模型——Step-Video-T2V视频生成模型和Step-Audio语音模型。 其中，阶跃Step-Video-T2V视频生成模型在参数量和性能上均处于全球领先水平。 该模型拥有300亿参数量，能够直接生成204帧、540P分辨率的高质量视频，确保生成内容信息密度高、一致性强。
2/18/2025 8:55:00 AM
AI在线
当虹科技的BlackEye大模型与DeepSeek深度融合
近日，当虹科技宣布其 BlackEye 多模态视听大模型成功完成与 DeepSeek-R1和 DeepSeek Janus Pro 的深度融合。 这一里程碑式的进展标志着当虹科技在视听传媒、工业与卫星、车载智能座舱等多个行业的应用潜力将得到进一步释放。 随着科技的迅猛发展，多模态大模型正逐渐成为推动各行业创新的重要力量。
2/5/2025 3:25:00 PM
AI在线
几十个测试后，发现海螺语音与 ElevenLabs 掰手腕的能力不是盖的
试想一个场景，职场中接到一个香港客户的单子，但是在交付的过程中耽搁了时间，现在要进行线上沟通解释，那么你面对的情况大致是这样的：如果不对这段音频进行标注，可能大部分人会认为这一粤语、英语混用的片段是真实发生或从TVB电视剧里截出来的。 但其实，这是由 AI 完成的配音，背后所使用的工具是海螺语音。 今年 1 月，继 MiniMax 发布并开源基础语言大模型 MiniMax-Text-01 和视觉多模态大模型 MiniMax-VL-01 后，再次推出了升级的语音大模型 T2A-01 系列，搭载于海螺 AI 之上，开辟海螺语音板块。
1/22/2025 2:07:00 PM
王悦
资讯热榜
Google 不慎泄露 Gemini CLI 开源即将推出文章，现已404
AI Hacker Rises to Power! XBOW's Autonomous AI Tool Dominates HackerOne, Revealing Thousands of Vulnerabilities and Intimidating the Cybersecurity Industry
OpenAI搜索连接器重磅上线！解锁ChatGPT全新工作效率神器
我国首个发电行业大模型“擎源”发布，模型参数达千亿级别
你绝对没见过的折纸ASMR视频！极致解压+深度元提示词
Clikka AI颠覆产品摄影！一张图秒变专业级大片，省钱又吸睛
西门子 CTO 大夸 DeepSeek：预计三五年后西门子的所有产品都将融入 AI 元素
告别复杂SQL！用Spring AI + DeepSeek构建自然语言查询系统
标签云
人工智能
AI
OpenAI
AIGC
模型
ChatGPT
DeepSeek
AI绘画
谷歌
数据
机器人
大模型
Midjourney
用户
智能
开源
微软
Meta
GPT
学习
图像
技术
Gemini
AI创作
马斯克
论文
代码
Anthropic
英伟达
算法
Stable Diffusion
芯片
智能体
训练
开发者
生成式
蛋白质
腾讯
苹果
神经网络
3D
研究
生成
Claude
机器学习
计算
LLM
Sora
AI新词
AI设计
AI for Science
AI视频
GPU
人形机器人
华为
xAI
百度
搜索
大语言模型
场景
Agent
字节跳动
预测
深度学习
伟达
Transformer
大型语言模型
工具
视觉
RAG
神器推荐
模态
具身智能
文本
Copilot
LLaMA
算力
驾驶
API
视频生成