Filtraciones de GPT-5: Gobi, multimodal, llegará a principios de 2024

Barracuda lanza actualización de IA multimodal para mejorar la capacidad de detección de amenazas cibernéticas

El primer programador de IA multimodal de China comienza a trabajar: se lanza oficialmente el agente inteligente Zulu de Wenxin Quick Code

La Conferencia de Desarrolladores de IA de Baidu Create se celebró con gran éxito en Pekín. En este evento tecnológico tan esperado, Baidu lanzó oficialmente la versión 3.5 de Wenxin Quick Code y el primer programador de IA multimodal de China, el agente inteligente Wenxin Quick Code Comate Zulu, lo que marca una nueva etapa en el desarrollo de las herramientas de programación de IA.

芯驰发布新一代4纳米AI座舱芯片X10，增强智能驾驶体验

芯驰科技发布了其新一代4纳米AI座舱芯片X10，旨在提升智能驾驶体验。该芯片采用先进的工艺技术和强大的计算能力，支持多种AI功能，例如高级驾驶辅助系统(ADAS)和车内娱乐系统。X10还集成了7B参数的多模态大模型，能够更好地理解用户需求并提供个性化服务。

Moonshot AI lanza Kimi-Audio: un modelo base de audio de código abierto que establece un nuevo estándar

Recientemente, Moonshot AI anunció oficialmente el lanzamiento de Kimi-Audio, un nuevo modelo base de audio de código abierto diseñado para impulsar el progreso tecnológico en las áreas de comprensión, generación e interacción de audio. Este lanzamiento ha generado un amplio interés en la comunidad global de IA y se considera un hito importante en el desarrollo de la IA multimodal. A continuación, se presenta un informe completo sobre las características principales, el rendimiento y la influencia en la industria de Kimi-Audio. Características innovadoras: Capacidad de procesamiento de audio integral Kimi-Audio-7B-Instruct basado en Qwen

La función de generación de imágenes de GPT-4 ahora está integrada en los GPT personalizados

Meta lanza el modelo WebSSL: una nueva exploración del aprendizaje visual sin lenguaje

En el campo de la inteligencia artificial, Meta ha presentado recientemente la serie de modelos WebSSL. Estos modelos, con tamaños que van desde 300 millones hasta 7 mil millones de parámetros, se entrenaron con datos de imágenes puras, con el objetivo de explorar el enorme potencial del aprendizaje autosupervisado visual (SSL) sin supervisión lingüística. Esta nueva investigación abre nuevas posibilidades para futuras tareas multimodales y ofrece una nueva perspectiva sobre cómo aprendemos a representar la información visual. Anteriormente, el modelo CLIP de OpenAI destacó por su rendimiento en tareas multimodales como la comprensión de preguntas visuales (VQA) y la comprensión de documentos.

Juntos, StepStar y Yuanli Lingji logran una colaboración estratégica

StepStar y Yuanli Lingji firmaron un acuerdo de cooperación estratégica en Beijing. Ambas partes aprovecharán sus respectivas ventajas tecnológicas para llevar a cabo una cooperación profunda en tecnología de modelos multimodales de lenguaje grande, agentes de terminales inteligentes y escenarios de inteligencia encarnada. El objetivo de esta cooperación es lograr "la inferencia en el mundo físico", desarrollando conjuntamente un robot inteligente llamado "RoboAgent", y promoviendo la aplicación práctica de la Inteligencia Artificial General (AGI). En la ceremonia de firma, el Dr. Jiang Daxin, fundador y CEO de StepStar, y el cofundador de Yuanli Lingji...

Kunlun Wanwei lanza la versión 2.0 de código abierto de Skywork-R1V: mejora de la capacidad de razonamiento visual y de texto

El 24 de abril, Kunlun Wanwei anunció el lanzamiento oficial de código abierto de su modelo de razonamiento multimodal Skywork-R1V2.0 (en adelante, R1V2.0). Esta versión mejorada ha logrado mejoras significativas en la capacidad de razonamiento visual y de texto, especialmente en la inferencia profunda de problemas de ciencias de la prueba de ingreso a la universidad y en escenarios de tareas generales, lo que lo convierte en el modelo multimodal de código abierto más equilibrado que combina la capacidad de razonamiento visual y de texto.

NVIDIA lanza Describe Anything: un modelo LLM multimodal que genera descripciones detalladas de áreas específicas

El equipo de IA de NVIDIA ha lanzado un revolucionario modelo de lenguaje multimodal de gran tamaño, Describe Anything 3B (DAM-3B), diseñado para generar descripciones detalladas y específicas de regiones dentro de imágenes y videos. Este modelo, gracias a su innovadora tecnología y rendimiento excepcional, ha generado un gran debate en el campo del aprendizaje multimodal y se considera un nuevo hito en el desarrollo de la IA. A continuación, AIbase destaca los puntos clave de este modelo y su impacto en la industria. El avance en descripciones regionales: DAM-3B destaca por su capacidad única de...

ByteDance lanza Vidi, un modelo multimodal que revoluciona la comprensión y edición de videos extensos