搜索
统一多模态模型（Unified Multimodal Models, UMMs）通常为理解和生成分别使用不同的视觉表示：用 ViT 提取理解所需的语义特征，用 VAE 提供生成所需的潜变量。这样一来，同一张图像要以两种 token 进入上下文，视觉上下文随之变长；这种双流接口也不同于视觉-语言模型（VLM）常用的单一视觉流，难以直接沿用成熟的 VLM 预训练流程。
Z Potential独家获悉，柔性织物触觉传感企业矩侨工业近日完成亿元A轮融资，由蚂蚁集团领投，老股东零以创投、威海港融及青岛和信跟投，多维资本担任长期独家财务顾问。本轮资金将主要用于织物电子皮肤规模化量产与交付、触觉及多模态感知技术研发，以及机器人、智能家居和医疗康养等场景的产品拓展。
随着多模态大模型越来越强，OCR的短板反而逐渐明显。
一张高清照片中，远处的手提包是什么颜色？一页票据里，某项费用到底是多少？面对这些问题，多模态大模型常常需要先找到相关区域，再放大查看。但如果第一步就框错了位置，后面的推理也可能跟着出错。视觉思维链让模型能够边看边想、调用工具寻找证据。不过，许多方法仍然像生成句子一样，把边界框坐标逐个写成文本 token。连续的空间位置，为什么要通过离散文字来表达？
人类说一句「我不是狼」，多模态大模型既能看到表情，也能听见声音。但它真的知道这句话是真是假吗？
《读佳》独家获知，Soul将推出专为交互场景打造、超具活人感的语音合成产品“Loxinity（洛希无限）”，和市面上面向配音、短视频的TTS不同，这套模型从底层瞄准实时交互场景，主打强活人感。它支持单人配音、多人对话两种模式，配套音色克隆、音色设计等工具，还开放API接入。Loxinity下辖语音合成模型Loxi Speech和视频生成模型Loxi Avatar。
困扰数学界30余年的世界级难题——三维Ghys猜想迎来了破解！
团队盯住的是一个很实际的问题：Agent 明明保存了项目计划，预算更新后却仍按旧版本行动；看过环境截图，下一步又忽略了画面里已改变的状态。它究竟是没记下来、没及时更新，还是找到了证据却没用上？
Scale AI与Elorian发布Humanity’s Sixth Sense（HSS）基准，以522道图像和视频题测试多模态模型的直觉式视觉推理，25个模型均显著落后于人类，榜首GPT-6-astra得分53.6%，人类达93.1%。
团队提出免训练评测方法RAVEL，通过带稳定项的PCA白化和局部图像块匹配提升视觉编码器评测准确性，在三个LLM上的平均Spearman相关系数达0.85，并开源210个MLLM权重。