搜索[跨模态推理]结果-低调大师优秀个人博客

精选列表

搜索[跨模态推理]，共10006篇文章

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

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

这意味着，如果直接把整份文档输入多模态模型，模型将面临巨大的上下文噪声和空间混乱，生成效果不稳定，也无法进行精确问答。

2025-12-03

青岛发布国内首个全模态实时交互大模型 VisualGPT

青岛虚拟智能体产业大会正式推出国内首个支持全模态实时交互的视觉语言大模型 VisualGPT，并同步上线智能体训练平台，面向全国开发者开放多模态数据与算力资源。

2025-11-24

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

这种设计使得模型能够在同一个空间内有效地捕捉到跨模态的信息关联。

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

Xinference v0.14.2：多模态新突破，预告接口升级

Xorbits Inference（Xinference）是一个性能强大且功能全面的分布式推理框架。可用于大语言模型（LLM），语音识别模型，多模态模型等各种模型的推理。

2024-08-20

全球最大甲骨文多模态数据集开源

“数字甲骨共创中心”将全球最大的甲骨文多模态数据集正式开源。该数据集包含一万片甲骨的拓片、摹本，以及甲骨单字对应位置、对应字头、对应隶定字以及辞例分组、释读顺序等数据。

2024-07-07

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。

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。

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。