微软通过GitHub开源项目yuniko-software/minecraft-mcp-server，推出基于Mineflayer API的Minecraft MCP服务器。该技术突破允许Claude等大型语言模型实时控制游戏角色，实现自然语言指令驱动的自动化建造、环境探索...

谷歌开发者博客宣布，其先进的文本生成图像模型Imagen 4系列现已在Gemini API中全面开放使用，同时推出高性能版本Imagen 4 Fast。这一里程碑式更新标志着谷歌在多模态AI领域取得重要突破，开发者可通过API直接调用具...

谷歌开发者博客宣布，其先进的文本生成图像模型Imagen 4系列现已在Gemini API中全面开放使用，同时推出性能优化的Imagen 4 Fast版本。这一里程碑式更新标志着多模态AI技术进入工业化应用阶段，开发者可基于该API实现...

马斯克旗下xAI团队开发的Grok模型即将迎来重大更新，内部版本号V7已完成预训练。此次升级的核心突破在于原生多模态能力的实现，模型可直接处理音频和视频输入，标志着通用人工智能在跨模态理解领域迈出关键一步。值...

Qwen-Image作为一款200亿参数的MMDiT架构图像基础模型，在复杂文本渲染和精准图像生成领域取得重大突破。该模型不仅能实现多语言（包括字母文字和表意文字）的多行文本布局和段落级语义生成，还能保持编辑过程中的语...

中国宇树科技(Unitree Robotics)近日推出革命性产品R1人形机器人，以5900美元（约合人民币4.2万元）的定价震撼业界，创下同类产品最低售价记录。这款重25公斤的机器人搭载先进的多模态人工智能系统，能够实现环境感...

TimeScope是一个全新的开源基准测试工具，专门用于评估视觉大模型在处理长视频方面的能力。它不仅测试模型的检索能力，还涵盖了视频合成、时间定位以及细粒度运动分析等多个维度，从而提供对模型时间理解能力的全面...

Voxtral团队最新发布了Voxtral Mini和Voxtral Small两款多模态音频聊天模型，在语音理解和文本处理方面均达到业界领先水平。这两款模型能够同时处理语音音频和文本文档，在多项音频基准测试中取得了最先进的性能表现...