搜索
新智元报道 多模态大模型的物体幻觉，长期被归因于语言先验。 先看下面两组对话。 第一组，一张只有小狗的照片，问模型「图中有椅子吗」，它答「没有，图中是一只狗」，完全正确； 第二组，另一张照片，问「图中
实时交互模型尚未形成统一定义却已成为热门赛道，SigmaZ AI、Loopit、Reverie AI、Runway和Vidu等公司从原生音视频生成、Coding驱动等不同技术路线出发，探索AI在聊天框之外实时响应用户多模态输入的能力，行业正围绕定义权和稀缺交互数据展开竞争。
字节跳动发布新版豆包2.1 Pro（0915版本），重点升级多模态编程与视觉理解能力，可依据设计图、图纸和操作录屏生成代码，编辑团队通过山西3D旅行导览、小王子微缩星球等场景实测，验证其在Agent任务交付与Token效率方面的提升。
豆包爱学2.0依托豆包多模态大模型与Seedance系列模型，将AI嵌入语数英等学科的问答、板书讲解、定制课程、听写和错题整理等学习全流程，同一对话入口即可围绕知识点不断生成完整学习内容，展现字节在AI教育场景的工程化能力。
紫东太初开源的这个通用多模态大模型 ZDTaichu5.0-9B，简直夯爆了！
最近Seed-2.1-pro又更新了。
10B参数以内，空间具身能力同档第一的通用多模态大模型来了！
当大模型已经能够快速生成文案、图片和视频，一个更进一步的问题是：Agent 能否从执行过的任务中积累经验，并在持续交互中改进后续行为？
OpenAI计划以3亿美金收购由前苹果工程师创立的AI影像公司Glass Imaging，以补充端侧视觉能力，布局多模态AI硬件。
理解生成统一模型（Unified Multimodal Models, UMMs）正在成为多模态模型的重要发展方向。相比传统的理解模型 + 生成模型，UMM 希望在同一个模型中同时完成视觉理解和图像生成，让文本和图像能够在统一上下文中被理解、推理和生成。