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

SuperCLUE 多模态视觉 8 月评测榜：Gemini-2.5-Pro 位居第一

在8月28日发布的中文多模态视觉语言模型测评基准（SuperCLUE-VLM）榜单中，Gemini-2.5-Pro 以总分74.99分位居第一，OpenAI 的 GPT-5(high) 以68.59分排在第二位

2025-08-29

腾讯混元发布 52B 参数多模态理解模型 Large-Vision

腾讯混元团队近日发布了全新的多模态理解模型——混元Large-Vision，该模型采用腾讯混元擅长的MoE（专家混合）架构，激活参数达到52B规模，在性能与效率之间实现了良好平衡。

2025-08-13

Jina AI 开源多模态多语言向量模型 Jina Embeddings V4

Jina AI 宣布正式推出 jina-embeddings-v4，一款全新的多模态向量模型，参数规模达到 38 亿，并首次实现了对文本与图像的同步处理。

2025-06-26

多模态大模型视觉推理能力评估：o3 仅得 25.8% 分数

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近日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。

2025-05-28

阿里通义千问开源端到端多模态模型 Qwen2.5-Omni

3月27日，通义千问宣布推出新一代端到端多模态旗舰模型 Qwen2.5-Omni。该模型现已在 Hugging Face、ModelScope、DashScope 和 GitHub上开源开放。

2025-03-27

多模态自动布局技术发展及其在淘内内容场的应用

尤其是在淘内内容场域，多模态自动布局技术能够辅助生成高质量的视觉内容，极大地提升了内容的产出效率。因此，研究和应用多模态自动布局技术在优化内容生产流程、提升视觉传播效果方面具有重要意义。

2025-03-12

苹果公布多模态大模型 MM1 ：具备 300 亿参数、MoE 架构

Arxiv 页面显示，苹果正式公布了自研多模态大模型 MM1，该模型提供 30 亿、70 亿、300 亿三种参数规模，拥有图像识别和自然语言推理能力。

2024-03-18

智源研究院发布 Emu2 —— 开源生成式多模态模型

2023年12月21日，智源研究院开源发布新一代多模态基础模型Emu2。

2023-12-22

带你读AI论文丨针对文字识别的多模态半监督方法

摘要：本文提出了一种针对文字识别的多模态半监督方法，具体来说，作者首先使用teacher-student网络进行半监督学习，然后在视觉、语义以及视觉和语义的融合特征上，都进行了一致性约束。

2022-12-22

视觉发：从多模态融合架构到高效训练与推理部署的工程实践

视觉大模型开发：从多模态融合架构到高效训练与推理部署的工程实践，这绝非仅仅是将一张图片“喂”给大语言模型（LLM）那么简单。

2026-09-05

GEO多模态内容怎么做？图片、PDF、表格与视频如何被AI理解

GEO 多模态内容优化，是把图片、图表、PDF、表格、视频和代码截图中的关键信息，同时转换成机器可以发现、解析、定位和验证的文本与媒体结构。

2026-09-02

腾讯发布“混元图像 3.0”，首个开源工业级原生多模态生图模型

腾讯宣布推出并开源原生多模态图像生成模型“混元图像 3.0（HunyuanImage 3.0）”，参数规模达 80B。

2025-09-28

聚焦结构化注意力，探索提升多模态大模型文档问答性能

二、文档理解的核心挑战文档理解要求模型同时处理文本、图表、图像等多模态信息，并准确回答问题。

2025-09-11

微软高管：下一代 Windows 深度整合 AI，实现多模态交互

他表示，未来的Windows将更具“环境感”，通过语音、语义理解等多模态技术，实现更自然的操作。例如，用户可直接通过语音与电脑对话，系统能理解上下文并智能响应。

2025-08-14

MNN LLM：让你手机本地也能跑 DeepSeek R1 还能支持多模态

这是一款开源工具，支持本地部署、移动端运行以及多模态处理（如文生图、语音输入等）。通过模型量化与硬件优化，MNN LLM显著提升了推理速度与稳定性，同时解决了下载困难的问题。

2025-04-21

面壁智能开源端侧多模态大模型：MiniCPM-Llama3-V 2.5

面壁智能开源了端侧多模态模型 MiniCPM-Llama3-V 2.5，且支持 30+ 多种语言。 MiniCPM-Llama3-V 2.5 是MiniCPM-V系列的最新、性能最佳模型。

2024-05-21

一文深度解读多模态大模型视频检索技术的实现与使用

多模态表征大模型能够将文本、图片、音频、视频等内容转换成高维空间中的向量表示，也称为嵌入（embeddings）。

2024-01-25

服装行业多模态算法个性化产品定制方案 | 京东云技术团队

diffusion：AIGC海量出图，设计师选图——好看 • 新视界设计：畅销服装版型+潮流图样，设计好看、好穿、好卖的服装三、技术突破畅销服装版式数据库构建 • 自研服装识别模型对服装图片进行多模态智能分析

2023-08-08

【CV学霸开讲】卷积神经网络压缩、多模态的语义分析研究

陈师哲同学在“多模态情感识别”和“视频内容自然语言描述”研究方面取得了突出的研究成果，在领域顶级会议和期刊发表论文十余篇，并在多项高水平学术竞赛中取得优异成绩，表现出很强的科研能力、实践动手能力和科研潜力

2018-01-25

【阿里ICCV论文技术解读】基于层次化多模态LSTM的视觉语义联合嵌入

精准描述商品：计算机视觉和自然语言处理的联合近年来, 随着深度学习技术的快速发展, 人们开始尝试将计算机视觉(Vision)和自然语言处理(Language)两个相对独立的领域联合起来进行研究, 实现一些在过去看来非常困难的任务，例如“视觉-语义联合嵌入(Visual-Semantic Embedding)”。该任务需要将图像及语句表示成一个固定长度的向量，进而嵌入到同一个矢量空间中。这样，通过该空间中的近邻搜索可以实现图像和语句的匹配、检索等。视觉语义联合嵌入的一个典型应用就是图像标题生成（Image Captioning）：对于任意输入的一张图像, 在空间中找到最匹配的一句话, 实现图像内容的描述。在电商场景下, 淘宝卖家在发布一件商品时, 该算法可以根据卖家上传得图片, 自动生成一段描述性文字, 供卖家编辑发布使用。再比如，

2017-10-24

资源下载

更多资源

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。

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。