Facebook研究团队近日在GitHub开源了MILS项目代码，其核心突破在于证明大型语言模型（LLMs）无需额外训练即可具备跨模态感知能力。该项目论文《LLMs can see and hear without any training》提出创新方法，通过重构...

近日，Hugging Face Hub发布的Omdet Turbo技术标志着实时开放词汇对象检测领域取得显著进展。该技术通过优化模型架构和算法效率，在保持高精度的同时大幅提升检测速度，解决了传统对象检测系统在动态场景中响应延迟...

Adobe近日发布了Firefly的重大更新，此次更新不仅整合了图像、视频、音频及矢量生成工具，还新增了移动端支持，并进一步深化了与Creative Cloud的集成。这一举措标志着Adobe在创意AI领域的又一重要突破，为设计师和...

马斯克旗下人工智能公司xAI推出的Grok聊天机器人近日迎来重要升级，新增了视觉识别能力。这一功能允许iOS用户上传图片或通过摄像头捕捉画面，随后向Grok提问关于所看到内容的问题。该功能与OpenAI的ChatGPT和谷歌的G...

近日，一项名为KGMEL的创新性研究提出了一种突破性的多模态实体链接方法，通过三阶段处理流程整合文本、图像及知识图谱三元组数据，显著提升了实体识别的准确率。该技术通过第一阶段的多模态特征提取、第二阶段的跨...

Cohere公司最新推出的Embed 4多模态嵌入模型，代表了企业级AI搜索与检索技术的重大突破。该模型具备三大核心优势：首先，在100多种语言中实现了领先的多模态与多语言处理能力，大幅提升跨语言业务场景的适用性；其次...

Character.AI最新发布的AvatarFX技术，实现了从静态图像生成具有高度写实感和情感表现力的视频，其核心突破在于强大的时间一致性支持以及多说话人对话功能。该技术通过先进的深度学习算法，能够精准捕捉面部微表情和...

开发者Adi和Arnav在尝试让大语言模型（LLM）处理研究论文和说明书中的问题时，发现现有RAG（检索增强生成）系统无法有效解析PDF中的图像和图表内容，甚至GPT-4o和O3模型也表现不佳。为此，他们开发了开源项目Morphik...