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...

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...

近日，一款开源且支持自托管的文件转换工具引起技术社区广泛关注。该工具允许用户在私有环境中部署文件转换服务，无需依赖第三方云服务，有效解决了敏感文件处理过程中的数据隐私问题。作为完全开源项目，开发者可自...

谷歌宣布其新一代多模态大模型Gemini 2.5 Pro正式进入公测阶段，开发者现可通过Google AI Studio的Gemini API进行体验，而企业级平台Vertex AI的支持也即将上线。作为Gemini系列的最强版本，2.5 Pro在跨模态理解、长...

GitHub热门项目Awesome Vision-to-Music Generation系统性地整理了视觉到音乐（V2M）生成领域的前沿进展，涵盖学术研究突破与工业级应用方案。该项目持续更新的资源库整合了三大核心要素：1）基于深度学习的跨模态生...

OpenAI近日发布了其最新一代音频模型，其中包括名为Voice Engine的创新技术。这一模型能够仅通过短样本生成高度逼真的人声，标志着人工智能在语音合成领域迈出了重要一步。Voice Engine的核心技术在于其先进的声音建...

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...

Audio Flamingo 2 是一个基于Qwen架构构建的最新音频理解模型，其独特之处在于几乎完全使用了合成数据进行训练。这一突破性进展不仅提升了模型在音频处理和理解任务中的表现，还展示了合成数据在AI训练中的巨大潜力...