搜索[多模态]结果-低调大师优秀个人博客

精选列表

搜索[多模态]，共10006篇文章

全球首个深度推理+多模态大模型“紫东太初”4.0 发布

全球首个“深度推理+多模态”大模型——“紫东太初”4.0在2025东湖国际人工智能高峰论坛上正式发布。

2025-09-19

苹果开源长视频多模态大语言模型 SlowFast-LLaVA-1.5

苹果研究团队开源了适配版 SlowFast-LLaVA 模型，在长视频分析理解任务上表现超越更大规模模型。该模型通过双流架构优化视频处理效率，慢流以低帧率捕捉场景细节，快流以高帧率追踪动作变化，解决了传统模型逐帧分析导致的信息冗余与上下文窗口溢出问题。其 10 亿、30 亿和 70 亿参数版本在 LongVideoBench 等长视频基准测试中均创佳绩，10 亿参数模型在 General VideoQA 任务中达 56.6 分，70 亿参数模型在 Long-Form Video Understanding 任务中获 71.5 分，且在图像理解任务如知识推理、OCR 等方面表现出色。目前模型输入帧长限制为 128 帧，存在可能遗漏关键帧等局限。团队表示将探索内存优化技术提升性能。该模型基于公开数据集训练并开源，为长视频理解提供了新的高效解决方案。 https://github.com/apple/ml-slowfast-llava https://huggingface.co/papers/2503.18943

2025-08-25

从“字”到“画”：基于Elasticsearch Serverless 的多模态商品搜索实践

我们正处在一个从文本搜索向多模态、跨模态搜索演进的时代。用户希望能够通过图片、甚至是自然语言描述的复杂场景，来精准地找到他们想要的商品。然而，如何理解并检索图片中的视觉元素？

2025-08-13

迈向多模态数据集成的统一工具

本文将带你了解：SeaTunnel 是如何一步步迈向“多模态”，又是如何赋能今天的 AI 数据体系。为什么要支持多模态数据？曾经我们做数据同步，只需要处理订单表、用户表、销售表。但现在呢？

2025-08-12

字节跳动旗下开源多模态智能体 Agent TARS 发布 Beta 版本

字节跳动正式发布了Agent TARS的 Beta 版本，将其定位为一个开源的多模态AI Agent工具，旨在提供与各种现实世界工具的无缝集成能力，并实现“随时随地可用”。

2025-06-27

我国科学家研究揭示多模态大模型概念表征机制

中国科学院自动化研究所与中国科学院脑科学与智能技术卓越创新中心的联合团队在《自然·机器智能》（Nature Machine Intelligence）发表相关研究，首次证实多模态大语言模型能够自发形成与人类高度相似的物体概念表征系统

2025-06-09

腾讯混元开源多模态定制化视频生成工具 HunyuanCustom

腾讯混元宣布正式推出并开源全新的多模态定制化视频生成工具 HunyuanCustom。

2025-05-09

新加坡国立大学计划推出多模态大模型 NExT-GPT

新加坡国立大学下一代搜索技术联合研究中心（NExT++）近日公布新计划——开发一款可以突破输入端多模态理解限制的大模型 NExT-GPT。

2023-09-12

阿里云开源通义千问多模态大模型 Qwen-VL

QwenLM/Qwen-VL 技术论文地址： https://arxiv.org/abs/2308.12966 Qwen-VL以通义千问70亿参数模型Qwen-7B为基座语言模型研发，支持图文输入，具备多模态信息理解能力

2023-08-25

多模态与视觉大模型深度实践：从架构解析到微调部署

当前主流多模态大模型普遍采用 “视觉编码器 + 跨模态投影层 + 大语言模型” 的三段式架构。

2026-09-03

DeepSeek Harness rc.8：把多模态输入接进可插拔 Agent 工程

很多 Agent 项目卡在同一个地方：模型会回答，工具也能调用，但一旦任务同时涉及截图、日志和本地文件，开发者就得自己拼接上下文、维护多个子代理。DeepSeek Harness v0.1.0-rc.8 的价值，不只是“又发了一个版本”，而是把这些工程问题继续收敛到一个可替换的 Harness 层。

2026-08-25

DeepSeek V4-Flash 补上视觉能力，多模态 Agent 接近 Opus 4.8

而在需要视觉理解的 Agent Benchmark 上，Vision-Exp 相比 V4-Flash 实现了大幅跃升，多模态 Agent 能力已接近 Opus 4.8。

2026-08-21

开源多模态视觉模型图像地理推理驱动定向社会工程攻击研究

本文拆解攻击者完整作案链路：社交平台图片爬虫采集、VLM 批量地理推理、目标用户画像构建、场景化定制钓鱼诱饵、账号劫持与衍生风险，配套提供 Python 多模态批量地理推理模拟代码、图片隐私脱敏处理脚本

2026-07-16

多模态感知在运维场景的融合：日志、指标、链路与拓扑

依据CNCF《2023-2024全球云原生可观测调研报告》及OpenTelemetry官方规范，四类数据各有适用边界，无法独立覆盖全维度系统状态：

2026-07-14

阿里通义开源首个影视级配音多模态大模型 Fun-CineForge

阿里通义实验室发布并开源了首个支持影视级多场景配音的多模态大模型 Fun-CineForge。并配套开放了高质量数据集的构建方法。

2026-03-16

产品更新｜Skill 能力正式上线，多模态记忆与检索体系全面升级

本次更新不仅引入了从用户历史消息自动生成 Skill 的能力，还在多模态记忆、检索优化、知识库支持、接口体系和工程文档等方面进行了全面升级。本次发布汇总 1.

2026-02-12

智谱联合华为开源首个国产芯片训练的多模态 SOTA 模型

智谱宣布联合华为开源新一代图像生成模型GLM-Image，模型基于昇腾Atlas 800T A2设备和昇思MindSpore AI框架完成从数据到训练的全流程，是首个在国产芯片上完成全程训练的SOTA多模态模型

2026-01-14

京东自研智能体引擎平台 JoyAgent 正式开源多模态 RAG 能力

中开源多模态RAG能力。

2025-12-02

百度正式发布多模态文档解析模型方案 PaddleOCR-VL

百度正式发布并开源自研多模态文档解析模型PaddleOCR-VL。

2025-10-17

字节跳动联合清华大学开源统一多模态框架：HuMo

论文地址: https://arxiv.org/abs/2509.08519 Human-Centric Video Generation，即人体视频生成框架，支持文本、图像、音频三种模态协同驱动。

2025-09-12

资源下载

更多资源

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题，腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构，目前腾讯云软件源站支持公网访问和内网访问。

Rocky Linux

Rocky Linux（中文名：洛基）是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版，作为CentOS稳定版停止维护后与RHEL（Red Hat Enterprise Linux）完全兼容的开源替代方案，由社区拥有并管理，支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性，采用模块化包装和SELinux安全架构，默认包含GNOME桌面环境及XFS文件系统，支持十年生命周期更新。

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。