搜索[多模态融合]结果-低调大师优秀个人博客

精选列表

搜索[多模态融合]，共10006篇文章

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

延迟只多 0.8 毫秒，检索质量涨 2.92%：抖音 DME 怎么让多模态检索又快又准

💡 一句话总结：抖音搜索团队提出 DME，用"隐式 latent reasoning + 跨条件重建"两个训练期机制，让多模态嵌入在不增加推理延迟的前提下既快又准，还提出 acc@K 指标证明嵌入向量能解码回文本

2026-08-12

AI Agent 三大核心方向深度解析：Agentic 工作流、多智能体系统与多模态 RAG

无论是单 Agent 的推理-行动循环，还是多 Agent 协作系统，亦或是多模态检索增强生成，都已成为构建下一代 AI 应用的核心范式。

2026-08-06

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

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

InternLM 开源轻量级多模态推理模型 Intern-S1-mini

InternLM发布开源轻量级多模态推理模型Intern-S1-mini，参数仅8B，基于Qwen3-8B语言模型与0.3B视觉编码器InternViT，预训练总量5万亿token，其中超2.5万亿来自化学

2025-08-22

谷歌发布 2.7 亿参数的多模态模型：Gemma 3 270M

谷歌发布了专为任务特定微调设计的 2.7 亿参数紧凑模型 Gemma 3 270M，该模型具备高能效和内置指令遵循能力，并支持 INT4 精度运行。Gemma 3 270M 包含 1.7 亿嵌入参数、1 亿 Transformer 参数以及 25.6 万词汇量，为特定领域和语言的微调提供了坚实的基础。 Gemma 3 270M 具有很高的能效。它提供了生产就绪的量化感知训练（QAT）检查点，支持在 INT4 精度下运行，性能损失极小，非常适用于资源受限的设备。模型还附带了指令微调版本，可实现开箱即用。该模型的核心价值在于通过微调释放其潜力，能够高精度、高速度且经济高效地执行文本分类、数据提取等任务。它适用于情感分析、实体提取、查询路由等高吞吐量、定义明确的任务。其小巧的尺寸支持快速微调迭代和设备上运行，确保了用户隐私。开发者可以通过 Hugging Face、Ollama、Kaggle、LM Studio 和 Docker 下载 Gemma 3 270M。它支持在 Vertex AI、llama.cpp、Gemma.cpp、LiteRT、Keras 和 MLX 等多种推理工具上运行。

2025-08-15

快手联合上交开源统一多模态生成理解模型 Orthus

本质上，Orthus可以看作何恺明在图像生成领域的工作MAR向多模态领域上的拓展。

2025-07-23

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。

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

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。

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。