Modelo multimodal Xiaomi MiMo-VL é aberto ao público

Avaliação da capacidade de inferência visual do modelo multimodal o3: apenas 25,8% das respostas corretas

Recentemente, uma nova base de avaliação foi lançada por uma equipe de pesquisa formada por membros da Universidade de Qinghua, Tencent Huan Yuan, Stanford University e Carnegie Mellon University. Esta base, chamada RBench-V, foi projetada para testar a capacidade de inferência visual de modelos multimodais. O lançamento dessa ferramenta visa preencher a lacuna no atual sistema de avaliação em relação à capacidade de saída visual dos modelos, permitindo uma compreensão mais abrangente de seu desempenho. A base RBench-V contém 803 questões que abordam várias áreas, incluindo geometria e teoria dos grafos, mecânica e eletromagnetismo, reconhecimento de múltiplos objetos e planejamento de rotas.

Laboratório de IA de Xangai lança versão aprimorada do modelo multimodal de grande escala, Shusen · Wanxiang 3.0

OpenAI lança dois modelos de raciocínio multimodais: o4-mini e a versão completa do o3

Durante uma transmissão técnica ao vivo à 1h da manhã de hoje, a OpenAI lançou oficialmente seus modelos multimodais mais recentes e poderosos: o o4-mini e a versão completa do o3. Esses dois modelos possuem vantagens únicas, não apenas processando texto, imagens e áudio simultaneamente, mas também podendo funcionar como agentes inteligentes, chamando automaticamente ferramentas como pesquisa na web, geração de imagens, análise de código, etc. Além disso, eles possuem um modo de pensamento profundo, permitindo-lhes raciocinar sobre imagens em cadeias de pensamento.

SenseTime lança novo modelo multimodal de grande linguagem, preparando o cenário para uma nova era de interação

No dia 10 de abril, durante o evento tecnológico da SenseTime, a empresa lançou seu mais recente modelo multimodal de grande linguagem, o "SenseTime SenseNova V6", e o sistema "SenseCore 2.0". Este novo modelo visa integrar várias formas de informação, como texto, imagens e vídeos, para proporcionar aos utilizadores uma experiência de interação mais natural e rica. A série SenseNova V6 lançada inclui quatro versões, sendo a mais notável o SenseNova V6Pro.

Boletim Diário de IA: Taobao inicia combate a imagens falsas em toda a plataforma; OpenAI anuncia suporte ao protocolo MCP; Alibaba lança modelo multimodal Qwen2.5-Omni

Bem-vindo ao boletim diário de IA! Aqui você encontra seu guia diário para explorar o mundo da inteligência artificial. Todos os dias, apresentamos os destaques do campo da IA, focando em desenvolvedores e ajudando você a entender as tendências tecnológicas e conhecer novos aplicativos de produtos de IA. Descubra novos produtos de IA aqui: https://top.aibase.com/ 1、A Alibaba lança o Qwen2.5-Omni, um novo modelo multimodal de ponta a ponta. A equipe do Alibaba Cloud Tongyi Qianwen lançou o Qwen2.5-Omni, um modelo multimodal de nova geração...

Alibaba lança seu primeiro modelo multimodal completo, Qwen2.5-Omni, desafiando gigantes da tecnologia global

Em 27 de março, a Alibaba lançou seu primeiro modelo multimodal completo, o Tongyi Qianwen Qwen2.5-Omni-7B, em plena madrugada. Este modelo possui recursos poderosos, capazes de processar simultaneamente vários tipos de entrada, incluindo texto, imagens, áudio e vídeo, e pode gerar texto e saída de voz natural em tempo real. Este avanço tecnológico inovador marca mais um progresso da Alibaba na área de inteligência artificial. No OmniBench, um benchmark de tarefas de fusão multimodal respeitado, o Qwen2.5-Omni obteve

Google lança o modelo multimodal Gemma-3 de nova geração: desempenho superior e custo 10 vezes menor

O CEO do Google, Sundar Pichai, anunciou em um evento de lançamento que o Google lançou o mais recente modelo multimodal de larga escala, o Gemma-3. Este modelo é notável por sua alta performance e baixo custo. O Gemma-3 oferece quatro opções de tamanho de parâmetros, com 1 bilhão, 4 bilhões, 12 bilhões e 27 bilhões de parâmetros. Surpreendentemente, o modelo de 27 bilhões de parâmetros, o maior, requer apenas uma GPU H100 para inferência eficiente, enquanto modelos semelhantes geralmente exigem dez vezes mais poder computacional.

DeepSeek lança novo modelo multimodal de IA, Janus-Pro, com recursos aprimorados

A DeepSeek, empresa de modelos de linguagem de grande porte, lançou o novo modelo multimodal Janus-Pro, marcando sua entrada oficial no campo da geração de imagens por texto. Este lançamento representa um avanço significativo na tecnologia de IA multimodal da DeepSeek. Em testes de referência como GenEval e DPG-Bench, o Janus-Pro-7B não apenas superou o DALL-E3 da OpenAI, mas também modelos populares como Stable Diffusion e Emu3-Gen. O Janus-Pro utiliza licença MIT.

A Alibaba DAMO Academy lança o modelo multimodal Valley 2 para cenários de comércio eletrônico

A Alibaba DAMO Academy lançou recentemente um modelo de linguagem grande multimodal chamado Valley2, projetado para cenários de comércio eletrônico. Ele visa melhorar o desempenho em várias áreas e expandir os limites de aplicação em comércio eletrônico e vídeos curtos por meio de uma arquitetura de linguagem visual escalável. O Valley2 utiliza o Qwen2.5 como base do LLM, juntamente com o codificador visual SigLIP-384, combinando camadas MLP e convoluções para uma conversão de recursos eficiente.

Ex-especialista em visão da Microsoft, Hu Han, junta-se à Tencent para liderar o desenvolvimento do modelo multimodal HunYuan

Hu Han, ex-chefe de pesquisa do grupo de computação visual do Microsoft Research Asia, juntou-se oficialmente à Tencent, assumindo o desenvolvimento do modelo multimodal HunYuan, substituindo Liu Wei, ex-líder de tecnologia do modelo HunYuan, que deixou a empresa. Esta notícia chamou a atenção da indústria. Hu Han possui um sólido background acadêmico. Em 2008, graduou-se na Universidade Tsinghua e, em 2014, obteve seu doutorado sob a orientação do renomado professor Zhou Jie. Sua tese de doutorado recebeu o Prêmio de Excelência em Teses de Doutorado da Sociedade Chinesa de Inteligência Artificial em 2016. Em 2012, Hu Han trabalhou na Universidade da Pensilvânia...