Appearance
Skip to content
🏷️ 多模态AI
共 15 篇文章
腾讯开源OpenSearch-VL：打破多模态AI黑箱垄断，搜索智能体得分提升29%
腾讯混元团队联合UCLA、香港中文大学开源OpenSearch-VL多模态训练方案，将搜索智能体性能提升29%，提供完整开源方案打破AI技术黑箱，为多模态AI研究提供可复现的基础设施。
→
讯飞智文Vision Agent实测：AI PPT从「抽卡」到「协作」，这次真不用返工了
讯飞智文Vision Agent实测：AI PPT从抽卡式升级为四步协作模式，每步可编辑打断。旅游攻略、品牌方案、学术汇报等多场景测试，基本不翻车，AI PPT进入商业级可用2.0阶段。
→
Adobe Acrobat推PDF Spaces：静态文档秒变AI工作空间，可定制聊天机器人
Adobe在Acrobat中推出PDF Spaces功能，将静态PDF转化为交互式AI工作空间，支持AI生成摘要、演示文稿和定制聊天机器人，已在Acrobat Express上线。
→
AI内容生成工具新功能：多模态创作让灵感更容易实现
AI内容生成工具推出新功能，支持多模态创作。文字、图片、视频可以一站式生成。
→
AI视频生成技术新突破：生成的视频能有多逼真？
AI视频生成技术新突破，生成质量和时长都有提升。这是AI多模态能力的重要进展。
→
DeepSeek那只「盲眼鲸鱼」终于开眼了：识图模式悄悄灰度，背后是个新模型
DeepSeek悄然上线「识图模式」，民间实测显示背后是独立视觉模型，不是简单集成OCR。V4发布5天后就补上多模态短板，节奏快得让社区意外，但也意味着技术可能还在打磨期。
→
OPPO小布记忆：截图、语音、文档混在一起，AI怎么帮你整理成「记忆」？
OPPO在AICon上海分享小布记忆技术方案，解决碎片化多模态内容到结构化记忆的整理难题。端云协同架构，80%简单场景端侧处理。关键数据：合集创建准确率83%→97%，新记忆加入76%→95%+。
→
多模态大模型都在比谁看得清，DeepSeek说真正的问题是「说不清楚」
DeepSeek发布多模态大模型技术报告，提出"基于视觉原语的思考"框架，以紧凑模型和低标记预算在空间推理上追平GPT-5.4、Claude-Sonnet-4.6等前沿模型。详见全文。
→
DeepSeek多模态技术报告：视觉原语让模型学会「指哪打哪」
DeepSeek发布多模态大模型技术报告，提出「视觉原语」框架，将点、边界框从视觉输入提升为「基本思维单元」，实现精确空间推演。小模型比肩GPT-5.4、Claude-Sonnet。
→
分层Agentic RAG解决企业「模态鸿沟」：30%传统RAG存在静默失败
InfoQ深度技术文章：分层Agentic RAG解决企业「模态鸿沟」，让结构化和非结构化数据同时被理解。内部评估显示30%传统RAG存在静默失败。Protocol-H引入supervisor-worker拓扑和自主纠错机制。
→
商汤开源U1：像素进、像素出，理解生成第一次合到一个网络里
商汤开源多模态统一架构模型SenseNova-U1，提出NEO-unify架构——像素进、像素出，理解生成首次合到一个网络里。在开源模型图像能力评测中登顶榜首，2048×2048图生图9秒出。
→
谷歌相册「长」出了穿搭助手：你的照片正在变成AI衣橱
谷歌相册将推出衣橱规划功能，用AI自动从相册中整理出服装图像，支持虚拟试穿和穿搭分享。先安卓后iOS，这是谷歌从「照片管理」向「AI生活助手」转型的最新动作。
→
谷歌Vision Banana重磅发布：何恺明谢赛宁署名，图像生成器即通才视觉学习者
2026年4月26日谷歌发布Vision Banana重磅论文，何恺明谢赛宁署名，提出图像生成器即通才视觉学习者的新范式，颠覆视觉理解传统路径。
→
Claude Design 发布：Anthropic 杀进设计圈，一句话生成原型和幻灯片
2026年4月17日，Anthropic Labs 推出 Claude Design，一个对话驱动的 AI 设计工具，可将文本提示词转化为可交互原型、幻灯片、设计稿等视觉产出。
→
MaxClaw：MiniMax推出的多模态AI助手，让创作无限可能
MiniMax推出MaxClaw多模态AI助手，基于OpenClaw和MiniMax大模型，专为内容创作设计，支持文本生成、图像创作、语音合成、视频生成等全模态能力。
→