华为宣布将开源其PanguAI系列中的两个核心模型及部分推理技术，这一战略举措旨在推动全球人工智能技术的普及与应用。作为中国AI领域的领军企业，华为此次开源不仅展示了其在自然语言处理和多模态AI领域的技术积累，...

多模态大模型的演进不断突破我们对技术能力的认知边界。从最初的QwenVL到最新的Qwen2.5 VL，研究团队在提升模型理解图像内容的能力方面取得了显著进展。如今，团队正式推出全新模型Qwen VLo，这是一个统一的多模态理...

谷歌近日发布了具有重大意义的新开源权重模型Gemma 3n，该模型采用多模态设计，专为设备端优化。Gemma 3n能够接受文本、图像和音频作为输入，展现了强大的跨模态处理能力。为推广该模型，谷歌与AMD、Axolotl、Docker...

谷歌最新推出的Imagen 4模型在图像内文本生成这一长期困扰行业的技术难题上取得重大突破。该模型通过先进的深度学习架构优化，显著提升了生成图像中文本元素的准确性和自然度，解决了以往AI生成图像中文字扭曲、语义...

在大型语言模型（LLM）时代，推荐与搜索系统正经历从传统物品ID到丰富'语义ID'（Semantic IDs）的重大转型。这一变革引入了生成式检索和多模态嵌入技术，显著提升了系统处理冷启动覆盖、长尾内容发现的能力，并实现...

LLaVA-STF项目通过创新的相邻令牌合并技术和多区块令牌融合模块，成功将视觉令牌序列压缩75%，显著提升了多模态推理效率。该技术突破性地解决了视觉语言模型中长序列处理带来的计算资源消耗问题，通过动态合并语义相...

谷歌最新一期Release Notes播客深度解析了I/O 2025大会的AI技术突破，重点介绍了三大核心创新：1) Gemini 2.5 Pro Deep Think作为下一代多模态AI系统，通过增强的递归神经网络架构实现复杂逻辑推理，其万亿级参数规...

字节跳动最新发布的开源多模态基础模型BAGEL在技术领域引发广泛关注。该模型原生支持多模态理解与生成任务，在开源统一模型中表现优异。BAGEL展现出先进的跨模态推理能力，包括图像编辑、3D场景操作和世界导航等复杂...