搜索[全模态推理]结果-低调大师优秀个人博客

精选列表

搜索[全模态推理]，共10005篇文章

Adlik —— 加速深度学习推理的工具包

Adlik 的目标是在云和嵌入式环境中加速深度学习推理过程。使用 Adlik 框架，不同的深度学习模型可以以非常灵活和简单的方式以高性能部署到不同的平台。

2022-02-22

PyStan —— 贝叶斯推理的软件包

PyStan 为 Stan 提供了一个 Python 接口，这是一个使用 No-U-Turn 采样器进行贝叶斯推理的软件包，这是Hamiltonian Monte Carlo 的一种变体。

2021-10-11

阿里开源深度神经网络推理引擎 MNN

近日，阿里正式开源了轻量级深度学习端侧推理引擎 “MNN”。 MNN 是一个轻量级的深度学习端侧推理引擎，核心解决深度神经网络模型在端侧推理运行问题，涵盖深度神经网络模型的优化、转换和推理。

2019-05-08

论文解读 | 基于神经网络的知识推理

论文动机使用神经网络进行更为复杂的推理以增加 KB 中的条目正在引起广泛关注，这么做的一个重要原因是为了同时支持 look-up 类型的问答系统以及从 entity 和 relation 中间接推理到答案的问答系统

2018-03-07

OmniHandwritingOCR：别让多模态大模型把手写公式读成幻觉

💡 一句话总结：OmniHandwritingOCR 用 77,572 个图像-标签对、6 个子任务和 12 个子集把手写 OCR 从“总分游戏”变成失败模式诊断；它最刺眼的发现是，多行公式一难，最强模型的字符错误也会失控。

2026-08-21

文本、图像、音频、视频，你的算法属于哪种"模态"？

无论你是要给自己训练的大模型做算法备案，还是刚接触”多模态”这个概念，这篇文章从概念起源、判定逻辑、备案实操、真实案例、技术成本五个维度，帮你把”模态”和”多模态”这层窗户纸彻底捅破，全程干货、可直接对照填报

2026-08-19

多模态检索入门：CLIP 图文对齐与向量召回原理

直接答案：多模态检索让系统能用文本搜图片、用图标题：多模态检索入门：CLIP 图文对齐与向量召回原理片搜文本，核心依赖 CLIP 这类对比学习模型把不同模态映射到同一向量空间。

2026-08-18

单细胞与空间转录组的跨模态标签转移

下载自 https://www.dropbox.com/s/cuowvm4vrf65pvq/allen_cortex.rds?dl=1

2026-08-06

智谱发布多模态模型 GLM-OCR 技术报告

智谱团队正式发布其多模态模型GLM-OCR 技术报告，详细介绍了模型「SOTA 文档理解能力」背后的技术细节。

2026-03-18

谷歌发布首款多模态嵌入模型 Gemini Embedding 2

谷歌正式推出Gemini Embedding 2，这是其首款原生多模态嵌入模型，可将文本、图像、视频、音频及文档映射至统一的向量空间，实现跨模态语义理解。

2026-03-11

DeepSeek 加速布局多模态 AI 搜索与智能体技术

该搜索功能将具备多模态特性，能够同时处理文本、图像及音频等多种形式的输入，满足用户多样化的信息检索需求。

2026-01-30

EasyMR之MinIO多模态数据统一存储之道

MinIO 作为一个高性能的对象存储系统，正在突破传统的存储角色，积极拥抱多模态数据处理的新范式，致力于为生成式AI提供统一的数据基础。

2025-12-17

UniParse：让多模态模型真正“读懂”文档的解析引擎

UniParse正是为此而生：它是一款面向AI应用的通用文档解析工具，旨在将文档中的非结构化内容转化为结构化语义信息，使多模态模型能够高效、精准地理解和利用文档内容。

2025-12-03

智源发布 Emu3.5 多模态世界大模型

北京智源人工智能研究院正式发布其新一代多模态世界模型——Emu3.5，首次将自回归式“下一状态预测”（Next-State Prediction， NSP）引入多模态序列建模。

2025-10-30

腾讯 AI Lab 发布多模态音频生成工具 AudioGenie

腾讯 AI Lab推出一项名为 AudioGenie 的新型无训练多智能体系统，为多模态到多音频（MM2MA）生成领域带来重大突破。

2025-08-20

OpenBMB 发布端侧多模态模型 MiniCPM-V 4.0

OpenBMB 发布了 MiniCPM-V 系列的最新高效模型 MiniCPM-V 4.0。该模型基于 SigLIP2-400M 和 MiniCPM4-3B 构建，总参数量为 4.1B，专为设备端部署而设计。 MiniCPM-V 4.0 不仅继承了 MiniCPM-V 2.6 在单图、多图和视频理解方面的强大能力，还大幅提升了运行效率。 MiniCPM-V 4.0 的主要亮点包括：领先的视觉能力仅凭 41 亿参数，MiniCPM-V 4.0 在 OpenCompass（涵盖 8 个主流视觉基准的综合评测）中取得了69.0 的平均得分，超越 GPT-4.1-mini-20250414、MiniCPM-V 2.6（65.2，参数量 81 亿）和 Qwen2.5-VL-3B-Instruct（64.5，参数量 38 亿）。此外，它在多图理解与视频理解任务中也表现出色。卓越的运行效率 MiniCPM-V 4.0 专为端侧部署设计，可在移动设备上流畅运行。例如，在iPhone 16 Pro Max上，其首 token 延迟小于 2 秒，解码速度超过 17 token/s，并且无明显发热问题。在并发请求场景下也展现出优秀的吞吐能力。简单易用 MiniCPM-V 4.0 支持多种主流部署方式，包括：llama.cpp、Ollama、vLLM、SGLang、LLaMA-Factory以及本地 Web Demo 等。模型地址：https://huggingface.co/openbmb/MiniCPM-V-4

2025-08-06

开源多模态大模型“书生·万象 3.0”发布

根据介绍，通过采用创新的多模态预训练和后训练方法，InternVL3 多模态基础能力全面提升，在专家级基准测试、多模态性能全面测试中，10亿~780亿参数的全量级版本在开源模型中性能均位列第一，同时大幅提升了图形用户界面

2025-04-17

谷歌搜索“AI 模式”（AI Mode）引入多模态搜索功能

谷歌正在为其谷歌搜索实验项目“AI 模式”（AI Mode）引入多模态搜索功能。AI 模式允许用户提出复杂且包含多个部分的问题，并通过追问深入探索相关主题。

2025-04-08

基于 Megatron 的多模态大模型训练加速技术解析

用户友好的多模态数据加载相对于 LLM 预训练，在数据加载方面，由于引入了多个类型的数据，多模态模型的 DataLoader 尤其复杂。

2025-03-11

智源发布原生多模态世界模型 Emu3

智源研究院宣布正式发布原生多模态世界模型 Emu3。该模型只基于下一个token预测，无需扩散模型或组合方法，即可完成文本、图像、视频三种模态数据的理解和生成。

2024-10-22

资源下载

更多资源

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长，特征是大鼻子、头戴帽子、身穿背带裤，还留着胡子。与他的双胞胎兄弟路易基一起，长年担任任天堂的招牌角色。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能，例如代码缩略图，Python的插件，代码段等。还可自定义键绑定，菜单和工具栏。Sublime Text 的主要功能包括：拼写检查，书签，完整的 Python API ， Goto 功能，即时项目切换，多选择，多窗口等等。Sublime Text 是一个跨平台的编辑器，同时支持Windows、Linux、Mac OS X等操作系统。

WebStorm

WebStorm 是jetbrains公司旗下一款JavaScript 开发工具。目前已经被广大中国JS开发者誉为“Web前端开发神器”、“最强大的HTML5编辑器”、“最智能的JavaScript IDE”等。与IntelliJ IDEA同源，继承了IntelliJ IDEA强大的JS部分的功能。