⌘ K
… 读取采集状态 同步中...
雷

多模态

文本之外的能力：视觉理解、图文混合、音视频输入输出的模型与产品进展。

207条精选相关主题图像生成AI 视频语音与音频

最新精选

第 201–207 条 · 共 207 条
8月29日周四
  1. Qwen Blog86

    Qwen 团队发布多模态模型 Qwen2-VL，开源 2B 与 7B 版本

    Qwen 团队正式发布最新视觉语言模型 Qwen2-VL，该模型支持 20 分钟以上视频理解及多模态智能体功能。团队开源了 Qwen2-VL-2B 和 Qwen2-VL-7B（Apache 2.0 协议），并提供了 72B 模型的 API 服务。模型架构引入了 Naive Dynamic Resolution 和 M-ROPE 位置编码，使其在处理多分辨率图像及三维空间定位时具备 SOTA 性能。

    推荐理由：开源 Qwen2-VL 模型在文档理解与视频问答上表现突出，架构创新支持动态分辨率处理。

7月18日周四
  1. Mistral News88

    Mistral 发布开源模型 Mistral NeMo

    Mistral 发布 12B 模型 Mistral NeMo，上下文窗口达 128k tokens。该模型采用 Apache 2.0 许可证，使用支持 FP8 的量化感知训练，可无损失替换 Mistral 7B，并配备了更高效的 Tekken 分词器。

    推荐理由：12B参数、128k上下文，Apache 2.0开源且支持FP8推理，可直接替换Mistral 7B并兼顾多语言。

6月21日周五
  1. Anthropic News92

    Anthropic 发布 Claude 3.5 Sonnet 模型及 Artifacts 功能

    Anthropic 发布 Claude 3.5 Sonnet 模型及 Artifacts 协作功能。Claude 3.5 Sonnet 在 GPQA、MMLU 和 HumanEval 等基准测试中超越 Claude 3 Opus，运行速度是其两倍，定价为每百万输入 token $3、输出 token $15。

    推荐理由：新模型在内部编码评测中解决了 64% 的问题，并同步推出了 Artifacts 协作界面。

6月7日周五
  1. Qwen Blog96

    Qwen2 模型发布：新增 27 种语言支持与 128K 上下文

    千问（Qwen）团队发布了从 Qwen1.5 演进的 Qwen2 模型系列，包含 Qwen2-0.5B 至 Qwen2-72B 共 5 种规格，其中 7B 和 72B 指令微调版支持 128K 上下文。模型在训练数据中增加了 27 种语言，并在编码、数学及多模态基准测试中取得 SOTA 表现，大部分模型已转为 Apache 2.0 许可证开源。

    推荐理由：千问（Qwen）团队发布了包含 5 种规格的 Qwen2 系列大语言模型，支持 128K 上下文并采用 Apache 2.0 协议开放权重。

4月17日周三
  1. Mistral News82

    Mistral 开源 Mixtral 8x22B 模型

    Mistral 发布开源模型 Mixtral 8x22B，采用稀疏混合专家架构，141B 总参数中仅 39B 激活。模型支持 64K 上下文，在数学、编码和多语言任务上表现优于其他开源模型，并以 Apache 2.0 许可开放。

    推荐理由：Mistral 开源发布 Mixtral 8x22B，提供 Apache 2.0 许可和 64K 上下文窗口，兼顾推理效率与多语言表现。

3月4日周一
1月25日周四
  1. Qwen Blog87

    Qwen 发布 Qwen-VL-Plus 和 Qwen-VL-Max 多模态大模型

    Qwen 发布 Qwen-VL-Plus 和 Qwen-VL-Max 两款增强版多模态模型，主要提升图像细节识别、文本提取和高精度推理能力，支持百万像素以上分辨率和任意宽高比图像输入。

    推荐理由：两个新模型在多个图文任务上与 GPT-4V 和 Gemini 持平，并在中文理解任务上超过两者，给出了具体基准分数和访问入口。