火山引擎发布Seedance 2.0系列API服务，提供先进的视频生成技术，支持文本、图片、音频和视频四种输入方式，具备多模态内容创建与编辑能力，适用于复杂互动和动态场景。该服务旨在帮助企业及个人用户优化工作流程，探索创新应用，同时确保AI视频创作的合规性与安全性。
谷歌升级企业视频应用Vids，集成Veo3.1模型，实现AI虚拟形象动态交互。用户通过文字指令即可控制形象与场景互动，并保持角色一致性。更新强化了多模态整合，提升视频创作效率。
Meta提出基于多模态感知的AI面部表情生成技术，通过分析用户身体动作、语音等多维度信息，在虚拟互动中实现自然生动的表情生成，克服了传统方案依赖昂贵硬件或仅同步音频的局限，尤其适用于用户活动复杂、面部遮挡或仅通过身体传达信息的场景。
Google推出Gemini平台的“引导式学习”功能，将学习过程转化为个性化、互动式体验。该工具通过逐步分解复杂主题、适应用户节奏并验证理解程度，帮助用户深度掌握知识，而非仅提供答案。它利用Gemini的多模态能力构建结构化学习路径，为用户提供类似私人导师的指导。
AI多模态搜索，将你的想法变为互动结果。
革命性AI技术，多模态智能互动
Openai
$2.8
Input tokens/M
$11.2
Output tokens/M
1k
Context Length
Google
$0.49
$2.1
Xai
$1.4
$3.5
2k
-
Anthropic
$105
$525
200
$0.7
$7
$35
$17.5
$21
Alibaba
$4
$16
$1
$10
256
Baidu
128
$6
$24
$2
$20
$8
$240
52
lamm-mit
Cephalo是一系列专注于多模态材料科学的视觉大语言模型（V-LLMs），旨在整合视觉和语言数据，以促进人机交互或多智能体AI框架中的高级理解和互动。
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
