2026年10月28日,Miles总结了一套美妆企业FDE落地项目的多模态数据清洗八步方案。该方案针对从小红书、抖音、视频号、微博采集的文字、图片、音频和视频数据,按定数据规范、保留原始内容、梳理数据关系、多模态归一、冲突和质量清洗、生成结构化数据、执行验收、按规则和版本入库八步处理。原文强调清洗结果不能覆盖原文,OCR、ASR和模型标签只作新增结果;当ASR与OCR数值冲突时回溯原始证据,无法确认则进入待核队列。这套链路也被整理为可复用于消费品洞察、汽车口碑、餐饮选址和品牌舆情等场景的通用方案。
匹配字段标题
2026年10月21日,天津大学张长青在CNCC 2026作报告《广义多模态融合技术》,介绍团队在多模态表征、动态可信融合与通用预测基座Fusion Anything Model(FAM)上的研究。据雷锋网10月28日报道,其TMC方法用证据理论估计不确定性,使晶体结构识别准确率从约58%—59%提升至93.9%左右;FAM在18个真实数据集、12种模态和11类预测任务上测试,平均准确率较专用融合基线提高约6.9个百分点。目前该报告内容经单一来源披露,尚无后续进展。
匹配字段标题
2026年10月21日,天津大学张长青在CNCC 2026作报告《广义多模态融合技术》,介绍团队在多模态表征、动态可信融合与通用预测基座Fusion Anything Model(FAM)上的研究。据雷锋网10月28日报道,其TMC方法用证据理论估计不确定性,使晶体结构识别准确率从约58%—59%提升至93.9%左右;FAM在18个真实数据集、12种模态和11类预测任务上测试,平均准确率较专用融合基线提高约6.9个百分点。目前该报告内容经单一来源披露,尚无后续进展。
匹配字段标题
Flatkey 以统一 API 网关形式,支持在 Codex 和 Claude Code 中通过 CLI 调用多模态模型。据 2026 年 10 月 21 日的报道,该网关可调用 GPT、Claude、DeepSeek、GLM、Kimi 等文本模型,以及 GPT Image、Seedance 等图片视频模型;用户用一个 Key 即可接入 100+ 官方模型和 1,000+ 工具 API,费用合并为一份账单。报道还称,其日常价格比官方定价至少低 20%;10 月 19–23 日活动期间,GPT、GLM 5.2、Kimi K3、DeepSeek 打 6 折,Claude 8 折,Seedance 2.0 85 折。目前尚无后续发展事实。
匹配字段标题
Cloudflare 的 27B 多模态决策模型 Clef 已在 Ollama 上线,用户可在本地或 Ollama 云端运行。据 Ollama Blog 2026 年 10 月 19 日发布的信息,Clef 由 Qwen3.8-27B 微调而来,采用 Apache 2.0 许可,支持文本与图像输入,兼容 Jev 和 System One API,可一次读取输入并同时为所有问题打分。官方称其在 Cloudflare Decision Index 上居首,并在多数基准上超过 Jev。目前该模型已可通过 Ollama 使用,尚无后续发展事实。
匹配字段标题
Flatkey 以统一 API 网关形式,支持在 Codex 和 Claude Code 中通过 CLI 调用多模态模型。据 2026 年 10 月 21 日的报道,该网关可调用 GPT、Claude、DeepSeek、GLM、Kimi 等文本模型,以及 GPT Image、Seedance 等图片视频模型;用户用一个 Key 即可接入 100+ 官方模型和 1,000+ 工具 API,费用合并为一份账单。报道还称,其日常价格比官方定价至少低 20%;10 月 19–23 日活动期间,GPT、GLM 5.2、Kimi K3、DeepSeek 打 6 折,Claude 8 折,Seedance 2.0 85 折。目前尚无后续发展事实。
匹配字段标题
Luma提出一种面向打包多模态掩码的精确序列并行方法。该方法在每一层于ring attention、稀疏all-to-all或Ulysses之间进行选择,数值结果与单GPU一致。在最多128张H100上,该方法于48个案例中的47个优于FlashMask + Ulysses混合方案。目前尚无后续发展事实。
匹配字段标题
Luma提出一种面向打包多模态掩码的精确序列并行方法。该方法在每一层于ring attention、稀疏all-to-all或Ulysses之间进行选择,数值结果与单GPU一致。在最多128张H100上,该方法于48个案例中的47个优于FlashMask + Ulysses混合方案。目前尚无后续发展事实。
匹配字段标题
华中师范大学、华中科技大学、广州中医药大学及其第一附属医院、北卡罗来纳大学教堂山分校提出多模态MRI分割网络CoReFuse-Med。该方法通过LACE+IMSH在浅层去除重采样伪影、MBCF在深层校准模态贡献,以解决低质量模态污染融合的问题。在EPVS数据集上,其DSC达0.7326、HD95为7.35,优于MedNeXt的0.7085和8.17;在BraTS上DSC为0.8528,参数量仅2.665M。该方法针对空间对齐后的分辨率下降,未覆盖模态缺失与强噪声场景。
匹配字段标题
Nace AI 发布多模态决策模型 Drex Max。据 Testing Catalog 2026 年 10 月 19 日报道,该模型可读取文本、图像和视频,单次决策耗时 34 ms,262K token 下响应低于 1 秒,输入价格为每 1M tokens 0.06 美元;它不生成文本,只从给定选项中返回一个答案并附概率分数,可用于 Computer Use 智能体逐步选择操作、Web 智能体按屏幕内容定位页面元素。Nace AI 称其在 Computer Use 场景下每 token 成本最高比 Claude、GPT 和 Gemini 背后的模型低 167 倍。次日 MarkTechPost 报道称,这是 Nace AI 首个多模态决策模型,可读取文本和图像并返回校准后的概率,在公开 Decision Index 0.3.2 上得分 67.59,比 TypeSafe 的 Jev 1.14 高 6.9 分;单次截图决策中位延迟 174 ms,输出不计费,仅通过 Nace Console API 提供,参数规模未披露、权重闭源,上述分数均为 Nace 自报。
匹配字段标题
面壁智能(OpenBMB)提出多模态检索方法 Trident。该方法用 Multi-Positive View InfoNCE 联合训练 Text、Image、Fused 三视图,针对多模态检索中无关文本得分高于含答案图像的“Chaos in the Text”现象。在 6 个视觉文档检索基准上,Trident-Qwen3VL-2B 将 Mix Avg NDCG@10 从 40.12 提升至 73.90。相关分析显示,多模态检索器在纯文本或纯图像语料上表现良好,但图文混合时性能明显下降,原因是文本常获得比语义对齐图像更高的相似度分数。目前该工作以面壁智能发布的信息为准,尚无更多独立来源交叉印证。
匹配字段标题
Nace AI 发布 Drex Max
English translation is being prepared.
匹配字段标题
OpenBMB 提出 Trident
English translation is being prepared.
匹配字段标题
华中师范大学、华中科技大学、广州中医药大学及其第一附属医院、北卡罗来纳大学教堂山分校提出多模态MRI分割网络CoReFuse-Med。该方法通过LACE+IMSH在浅层去除重采样伪影、MBCF在深层校准模态贡献,以解决低质量模态污染融合的问题。在EPVS数据集上,其DSC达0.7326、HD95为7.35,优于MedNeXt的0.7085和8.17;在BraTS上DSC为0.8528,参数量仅2.665M。该方法针对空间对齐后的分辨率下降,未覆盖模态缺失与强噪声场景。
匹配字段标题
Clef 上线 Ollama平台
English translation is being prepared.
匹配字段标题
MIT研究人员提出一个多模态AI模型,将晶体的3D原子结构与自然语言描述结合,使模型能“看见”原子排列与键合模式并推理材料性质。该研究发表于Nature Communications。在固态锂离子电池电解质筛选中,其排名靠前的结果包含已被独立认定为有前景的候选材料;模型在材料设计识别上优于仅用文本训练的模型。目前尚无后续进展。
匹配字段标题
MIT研究人员 提出 结合3D原子结构与自然语言描述的多模态AI模型
English translation is being prepared.
匹配字段标题
2026年10月15日,Liquid AI 发布多模态决策模型 d1-ultra。据官方博客,该模型可同时读取文本和图像,一次前向传播直接输出概率而不生成 token,支持 noul、Choice、Score 三类问题,已在 Liquid API 上线,输入 token 定价为每百万 0.042 美元,仅按输入计费,图像按每 32×32 像素块 1.5 token 折算,1024×1024 图像计 1,536 token;官方称其在 112 项评测中优于前代 d1 和 Jev 1.14,并在 Artificial Analysis Decision Index 上领先其他决策模型至少 8 分,后续将登陆 Vercel 和 OpenRouter。10月16日,Artificial Analysis 报道称 d1-ultra 以 65 分登顶 Artificial Analysis Decision Index v1.0,领先 Jev 1.14(57 分)和 GLiDE、Microsoft-Decision-1(54 分);其 AA-Omniscience-Decision 非幻觉率从 d
匹配字段标题
匹配字段标题
Liquid AI 发布 多模态决策模型 d1-ultra
English translation is being prepared.
匹配字段标题