跳到正文

#多模態

RSS
今日 4 則
10月6日週二
  1. Mistral AI72

    推出 Mistral Large 4 模型

    Mistral Large 4 是一款 1 兆引數、49B 活躍引數的多模態模型,公開預覽已開放 API。 - 規模:1 兆引數,49B 活躍引數,跨領域效能領先。

    推薦理由:Mistral Large 4 擁有 1 兆引數及跨領域優勢,讀者可評估其在安全、工程與科學領域的實務應用。

  2. Hugging Face Diffusers Releases82

    Diffusers 0.41.0 推出 Qwen-Image 2.1 影像生成與編輯管線

    Diffusers 0.41.0 推出 Qwen-Image 2.1,整合影像生成與編輯功能,支援多參考影像與原生 RGBA 輸出。 - Qwen-Image 2.1:7B 引數模型,提供文字到影像、影像編輯、LoRA 訓練。

    推薦理由:Diffusers 0.41.0 以 Qwen-Image 2.1 為核心,提供統一的影像生成與編輯功能,開發者可直接整合至多模態工作流程。

10月5日週一
  1. OpenAI News52

    ChatGPT 推出新視覺廣告格式

    OpenAI 在 ChatGPT 中推出新視覺廣告格式,並擴充測量工具、歸因合作夥伴及品牌適配功能。 - 新功能:視覺廣告格式、測量工具、歸因合作夥伴、品牌適配。 - 目標:幫助廣告主更精準定位 AI 使用者。 - 可用性:即時上線於 ChatGPT。

10月4日週日
10月3日週六
  1. hackernews10075

    FLUX 3 Image:以邊框佈局方式生成與編輯影像

    FLUX 3 Image 是 Black Forest Labs 推出的多模態模型,支援以邊框佈局生成與編輯影像。 - 核心功能:使用邊框佈局(bounding box)描述畫面,模型可一次生成或逐框編輯,保持原圖不變。 - 解析度:可輸出原生 2K/4K,保留細節與色彩。 - 可擴充性:提供商業權重授權,可自行微調並部署於私有基礎設施。

10月2日週五
10月1日週四
  1. TechCrunch · AI63

    Google 釋出 Gemini 4 Argon,稱其為最強模型

    Google 推出 Gemini 4 Argon,定位為最強模型,專為編碼、研究、寫作及網路安全設計。該模型可自主發現、驗證並修補關鍵軟體漏洞,並在視覺解析、程式碼除錯和遷移等任務上表現出色。Google 還聲稱 Argon 在多項 AI 基準測試中超過 OpenAI 的 GPT‑6 Astra 與 Anthropic 的 Fable,並已在其內部團隊中用於日常工作。

  2. Google DeepMind72

    Gemini 4 Argon 釋出:開啟前沿智慧新時代

    Google DeepMind 推出了 Gemini 4 Argon,這是一款具備長推理、跨領域多模態能力的前沿模型。Argon 在軟體工程、金融、法律和網路安全等行業基準上重新整理記錄,並已在內部工作流中提升效率;其 1M token 輸出上限和 $2/百萬輸入、$10/百萬輸出的價格為開發者提供更高性價比。

    推薦理由:Gemini 4 Argon 通過大幅提升推理長度和多模態能力,顯著提升軟體工程、金融與網路安全等領域的工作效率,並在多項行業基準上重新整理記錄,幫助企業加速技術迭代。

9月30日週三
9月29日週二
  1. AWS Machine Learning Blog62

    Grok 4.7 現已登陸 Amazon Bedrock

    xAI 的 Grok 4.7 現已在 Amazon Bedrock 上線,支援 500K 上下文視窗、四級推理努力程度配置及圖文輸入。該模型可通過 Responses、Chat Completions 和 Converse API 進行呼叫,並提供 US 區域和 Global 跨區域推理配置選項。

9月26日週六
9月25日週五
  1. Latent Space66

    Runway 的 WorldPrompt 與即時世界的工程實現

    Runway 介紹了其最新的世界模型 GWM Worlds 2 以及提出的輸入格式 WorldPrompt,並闡述了其如何通過自迴歸擴散和蒸餾方法實現 720p 24fps 的即時互動式影片和音訊生成。文章還探討了真實物理模擬、長上下文、誤差累積等工程挑戰,以及在遊戲、機器人和AI 助理模擬等領域的潛在應用。