Cadre SALMONN : étendre les capacités auditives universelles des grands modèles de langage

Premier programmeur IA multimodale de Chine officiellement en poste : lancement officiel de l'agent intelligent Zulu de Wenxin Kuaima

La conférence des développeurs Create AI de Baidu s'est tenue avec succès à Pékin. Lors de cet événement technologique très attendu, Baidu a officiellement lancé la version 3.5 de Wenxin Kuaima et le premier programmeur IA multimodale de Chine, l'agent intelligent Wenxin Kuaima Comate Zulu, marquant une nouvelle étape dans le développement des outils de programmation IA.

Partenariat stratégique entre Zhipu AI et Shengshu Technology pour l'innovation conjointe dans les grands modèles

Le 27 avril, Zhipu AI (Z.ai) et Shengshu Technology (shengshu.com), deux entreprises d'intelligence artificielle phares de l'Université Tsinghua, ont annoncé un partenariat stratégique majeur. Cette collaboration vise à exploiter leurs expertises respectives en matière de grands modèles de langage et de modèles de génération multimodaux afin de promouvoir l'innovation technologique et le déploiement industriel des grands modèles nationaux.

芯驰发布新一代4纳米AI座舱芯片X10，提升智能驾驶体验

芯驰科技发布了其新一代4纳米AI座舱芯片X10，旨在通过强大的计算能力和先进的AI技术，显著提升智能驾驶体验。X10芯片集成了70亿参数的多模态大模型，能够处理复杂的驾驶场景和信息，为用户提供更安全、更便捷、更智能的驾驶体验。

Moonshot AI lance Kimi-Audio : un modèle audio de base open source révolutionnaire

Moonshot AI a récemment annoncé le lancement de Kimi-Audio, un nouveau modèle audio de base open source visant à faire progresser les technologies de compréhension, de génération et d’interaction audio. Cette annonce a suscité un vif intérêt au sein de la communauté mondiale de l’IA et est considérée comme une étape importante dans le développement de l’IA multimodale. Voici un compte rendu complet des caractéristiques clés, des performances et de l’impact sectoriel de Kimi-Audio. Caractéristiques révolutionnaires : capacité de traitement audio polyvalente Kimi-Audio-7B-Instruct basé sur Qwen

Meta publie le modèle WebSSL : une nouvelle exploration de l’apprentissage visuel sans langage

Dans le domaine de l’intelligence artificielle, Meta a récemment lancé la série de modèles WebSSL. Ces modèles, dont la taille des paramètres varie de 300 millions à 7 milliards, sont entraînés sur des données d’images pures et visent à explorer l’énorme potentiel de l’apprentissage autosupervisé visuel (SSL) sans supervision linguistique. Cette nouvelle recherche ouvre de nouvelles possibilités pour les futures tâches multimodales et offre un nouvel éclairage sur la manière dont nous comprenons l’apprentissage des représentations visuelles. Auparavant, le modèle CLIP d’OpenAI s’était distingué par ses performances dans les tâches multimodales telles que la question-réponse visuelle (VQA) et la compréhension de documents.

Partenariat stratégique entre Leapstar et Yuanli Lingji

Leapstar et Yuanli Lingji ont signé un accord de partenariat stratégique à Beijing. Les deux parties mettront à profit leurs avantages technologiques respectifs pour collaborer en profondeur dans les domaines de la technologie des modèles multimodaux de grande taille, des agents d'appareils intelligents et des scénarios d'intelligence incarnée. L'objectif de cette collaboration est de réaliser le « raisonnement dans le monde physique » et de développer conjointement un robot intelligent appelé « RoboAgent », afin de promouvoir l'application concrète de l'intelligence artificielle générale (AGI). Lors de la cérémonie de signature, le Dr. Jiang Daxin, fondateur et PDG de Leapstar, et les co-fondateurs de Yuanli Lingji...

Kunlun Wanwei publie en open source la version 2.0 de Skywork-R1V : amélioration des capacités de raisonnement visuel et textuel

Le 24 avril, Kunlun Wanwei a annoncé la publication en open source de son modèle d'inférence multimodale Skywork-R1V2.0 (ci-après R1V2.0). Cette version mise à jour a considérablement amélioré ses capacités de raisonnement visuel et textuel, notamment dans les problèmes de raisonnement approfondis des sciences de niveau baccalauréat et dans les scénarios de tâches générales, faisant de lui le modèle multimodale open source le plus équilibré en termes de capacités de raisonnement visuel et textuel.

NVIDIA lance Describe Anything : un modèle linguistique multimodal pour des descriptions détaillées de zones spécifiques

L'équipe IA de NVIDIA a publié un modèle linguistique multimodal révolutionnaire : Describe Anything 3B (DAM-3B), conçu pour générer des descriptions précises et localisées d'images et de vidéos. Grâce à ses technologies innovantes et à ses performances exceptionnelles, ce modèle suscite un vif intérêt dans le domaine de l'apprentissage multimodal et marque une nouvelle étape importante dans le développement de l'IA. AIbase vous présente ci-dessous les points forts et l'impact de ce modèle sur le secteur. La percée de la description localisée : DAM-3B se distingue par sa capacité unique à ...

ByteDance lance Vidi, un modèle multimodal révolutionnant la compréhension et l'édition de vidéos longues

ByteDance introduit Vidi, un modèle multimodal de pointe conçu pour la compréhension et l'édition de vidéos longues. Ce modèle permet une recherche et une manipulation efficaces des séquences vidéo, ouvrant de nouvelles perspectives dans le domaine de l'édition vidéo.

xAI lance Grok Vision : une nouvelle ère d'interaction visuelle et multilingue intelligente