AI资讯新闻榜单内容搜索-多模态

关键词: AppAgent,腾讯AppAgent

一不留神，大模型已经学会了操纵手机？最近，腾讯最新多模态智能体框架AppAgent曝光，可以像人类一样操作各种应用。

关键词: 九天多模态大模型,若愚科技,机器人大模型

若愚科技与哈工深联合研发了语言大模型基座---立知和多模态大模型基座---九天，总参数规模达130亿，训练数据超1500B tokens, 能完成多任务、多轮对话、中英翻译、思维链、工具使用等多种类型的指令数据

关键词: OCR,Vary,多模态

想将一份文档图片转换成Markdown格式？这一次，只需一句话命令，多模态大模型Vary直接端到端输出结果：

关键词: Transfromer,CNN,大模型框架

在Transformer占据多模态工具半壁江山的时代，大核CNN又“杀了回来”，成为了一匹新的黑马。

关键词: Gemini,谷歌AI,多模态大模型

身价1050亿美元，每天还在亲自动手敲代码！？就连谷歌最新大招Gemini大模型的核心贡献者名单中，也有他的名字。

关键词: mPLUG-Owl,MLLM,SOTA

OpenAI GPT-4V 和 Google Gemini 都展现了非常强的多模态理解能力，推动了多模态大模型（MLLM）快速发展，MLLM 成为了现在业界最热的研究方向。

关键词: 澜码科技,AskXBOT,AI Agent

构建AI Agent有三步：第一步，专家知识的数字化；第二步，支持更多模态的交互；第三步，领域知识的循环沉淀。

关键词: Gemini,GPT-4,多模态

在Gemini开放API不到一周的时间，港中文等机构就完成评测，联合发布了多达128页的报告，结果显示：在37个视觉理解任务上，Gemini-Pro表现出了和GPT-4V相当的能力。

关键词: 面壁智能,RLHF-V,多模态对齐框架,MLLM,多模态大模型

多模态技术是 AI 多样化场景应用的重要基础，多模态大模型（MLLM）展现出了优秀的多模态信息理解和推理能力，正成为人工智能研究的前沿热点。上周，谷歌发布 AI 大模型 Gemini，据称其性能在多模态任务上已全面超越 OpenAI 的 GPT-4V，再次引发行业的广泛关注和热议。

关键词: Merlin,梅林多模态,GPT-4V,预测推理

多模态大语言模型展现了强大的图像理解和推理能力。但要让它们基于当前观测来对未来事件进行预测推理仍然非常困难。