Florence-VL 提出了使用生成式视觉编码器 Florence-2 作为多模态模型的视觉信息输入，克服了传统视觉编码器（如 CLIP）仅提供单一视觉表征而往往忽略图片中关键的局部信息。
在当今多模态领域，CLIP 模型凭借其卓越的视觉与文本对齐能力，推动了视觉基础模型的发展。CLIP 通过对大规模图文对的对比学习，将视觉与语言信号嵌入到同一特征空间中，受到了广泛应用。
AI剪辑，一条闷声赚大钱的赛道。
「多模态」这个词，相信各位开发者已经比较熟悉了，多模态的含义是让 AI 同时理解包含如图像和文本在内的多种类型的数据。
7 个月时间，用户量超过 500 万，ARR 收入接近 1000 万美元。 OpusClip 可以说是目前 AI 视频剪辑工具的头号种子
法律行业是 AI 落地的重要场景之一，全球范围内，已经出现了多家法律赛道的 AI 独角兽。OpenAI 和 Google 都投资的 Harvey，以及最近刚完成 F 轮融资的 Clio 都是其中的典型。
计算机的历史标志着个人和企业生产力的飞跃。20世纪70年代的命令行界面（CLIs）演变至80年代的图形用户界面（GUIs），实现了复杂命令的图形化抽象，通过视觉图标和窗口简化操作。接着，计算机操作的易学性提升加快了个人电脑（PC）在1990年代的普及，进而催生了万维网以及基于其上的互联网应用的发展。
拔草星人的好消息来啦！中科院自动化所和阿里云一起推出了街景定位大模型，只要一张照片就能实现街道级精度的定位。
Flux 带起又一波文生图模型的热潮，NightCafe 是其中的受益者之一。
多模态对比学习（如CLIP）通过从互联网上抓取的数百万个图像-字幕对中学习，在零样本分类方面取得了显著进展。 然而，这种依赖带来了隐私风险，因为黑客可能会未经授权地利用图像-文本数据进行模型训练，其中可能包括个人和隐私敏感信息。
