Baichuan Omni 1.5 是一款支持文本、图像、视频和音频输入以及文本和音频输出的开源全模态基础模型。该模型采用任意到任意（any-to-any）的设计风格，属于原生多模态模型的一种典型代表。其核心技术在于使用了交错的...

近期，一项关于大语言模型（LLMs）的研究揭示了其在处理复杂提示时是否具备多跳推理能力——即连接多个知识片段的推理过程。研究发现，这种潜在的推理过程确实存在，尤其在初始步骤中表现明显。然而，模型对连接知识的...

近日，GitHub上发布了一个名为“Tokenize an Image as a Set”的开源项目，该项目提出了一种全新的图像生成框架。该框架通过集合标记化（set-based tokenization）和新型离散扩散方法（discrete diffusion method），...

SynCity是一种革命性的系统，能够直接从文本提示生成详细的3D世界，而无需任何训练。该系统结合了2D图像生成器和3D生成器的优势，前者确保了艺术质量，后者则提供了精确的几何结构。SynCity以分块的方式构建场景，并...

Meta 最近引入了一种新的基准测试，用于评估语言模型的推理能力和知识水平。该测试向语言模型提供一个长序列数据，并要求模型输出能够重新生成该序列并停止运行的最短程序。这一过程被称为 Kolmogorov 压缩，且在多...

Zoom正通过开发一套自主AI基础设施，将其业务从视频会议扩展到行动导向的工作流程。这一创新包括AI Companion 2.0，它提供了任务管理和文档创建等功能，以及通过新的AI Studio定制的AI代理。Zoom采用联合方法，将公...

随着人工智能技术的飞速发展，Concierge AI 提供了一个创新的解决方案，使用户能够通过自然语言无缝连接和操作各种应用程序。无论是电子邮件、日历、文件管理还是支付系统，用户只需选择其偏好的 AI 模型（如 GPT、C...

谷歌DeepMind近日发布了Gemini Robotics和Gemini Robotics-ER两款AI模型，显著提升了机器人的精细运动技能和现实应用中的适应性。Gemini Robotics整合了视觉、语言与行动能力，使机器人能够完成如折纸等复杂任务。初...