搜索“多模态”

Answer.AI 发布 ReadBench 多模态读文评测基准

Answer.AI 发布 ReadBench

查看事件：Answer.AI 发布 ReadBench 多模态读文评测基准

作者提出多模态路线无法通向人类级AGI

作者提出多模态路线无法通向人类级AGI

文章作者 提出判断 多模态路线无法在近期通向人类级AGI

查看事件：作者提出多模态路线无法通向人类级AGI

OpenAI推出多模态模型GPT-4o

2024年5月14日,OpenAI发布GPT-4o,并将其免费提供给ChatGPT用户。该模型配套推出新的语音和视频模式,强调接近人类的响应速度与表现力。Sam Altman称,这类交互快速、自然且实用;未来还计划加入可选的个性化、信息访问以及代用户执行操作等能力。

Google Research提出无袖带校准手表高血压检测AI系统

Google Research在Nature发表AI-PPG-ACC-HTN多模态AI系统,仅用消费级智能手表的PPG和加速度计信号即可被动检测高血压迹象,无需袖带校准。系统先用2,109名参与者共492,347小时的无标注传感器数据做自监督预训练,再把多天波形嵌入聚合为个人级特征,结合身高用逻辑回归输出高血压概率。在5个美国站点、196名参与者的前瞻性研究中,初筛场景灵敏度65.8%、特异度90.0%、PPV 80.6%;在48名诊室血压偏高者的确认场景中灵敏度78.4%、特异度90.9%、PPV 96.7%。研究团队称该工作属早期可行性探索,不替代袖带诊断,也未指向任何现有或即将推出的商用功能。

Google Research等提出无袖带校准的智能手表高血压检测AI系统

Google Research在Nature发表AI-PPG-ACC-HTN多模态AI系统,仅用消费级智能手表的PPG和加速度计信号即可被动检测高血压迹象,无需袖带校准。系统先用2,109名参与者共492,347小时的无标注传感器数据做自监督预训练,再把多天波形嵌入聚合为个人级特征,结合身高用逻辑回归输出高血压概率。在5个美国站点、196名参与者的前瞻性研究中,初筛场景灵敏度65.8%、特异度90.0%、PPV 80.6%;在48名诊室血压偏高者的确认场景中灵敏度78.4%、特异度90.9%、PPV 96.7%。研究团队称该工作属早期可行性探索,不替代袖带诊断,也未指向任何现有或即将推出的商用功能。

查看事件：Google Research提出无袖带校准手表高血压检测AI系统

WorkBuddy接入腾讯Miora

腾讯WorkBuddy作为AI工作台,已接入腾讯Miora,在平面、视频等多模态视觉资产上保持统一风格,并支持多窗口执行任务。36氪·AI于2026年10月30日报道称,WorkBuddy可帮广告、内容行业的乙方把零散Brief拆成传播方案、待办清单和PPT,并整理嘉宾排期与预算表;其自带Skillhub,已接入小红书、公众号、抖音和视频号等运营技能,可生成不同平台尺寸、风格和文案。目前尚无后续发展信息。

Mistral在Hugging Face发布Large 4权重

2026年10月29日,Mistral发布Mistral Large 4(Le Chonk)的开放权重,这是一个1万亿参数的原生多模态模型,在预览版基础上继续强化学习,编码与防御性网络安全能力提升。据Mistral AI公布的数据,该模型在FrontierCode 2.0上得分19.7%,在Artificial Analysis Coding Agent Index上得48%,与GLM-5.3基本持平,但每任务平均少用47% token;Terminal-Bench 4.0提升13个百分点至41%。模型支持三种推理模式,采用修改版MIT的Mistral Ecosystem Open-Weight许可,API定价为每百万输入token $0.70、缓存输入$0.07、输出$2.10。同日,Unsloth发布该模型的1-bit GGUF量化版本,称可在Mac Studio上本地运行,量化后仍保留91% top-1准确率,并提供下载链接和使用指南。

Articul8推出决策模型Bivia

Articul8推出多模态决策模型Bivia,可接入AI智能体,在置信度低时选择不推进,并按整个任务目标权衡每一步决策。该模型支持结构化回复,可在智能体执行中途调用,并针对真实生产工作流训练。据Testing Catalog报道,其输入价格为每百万token 0.042美元,无订阅费。另一报道称,Bivia可处理文档、图像、音频、视频和时序数据,进行连续决策,并在不确定时交由人类判断;Articul8由Intel团队在ChatGPT发布前一个月交付给企业客户的项目发展而来,公司估值5亿美元,称已在半导体、能源、制造等行业积累3年以上生产部署经验。

Meta宣布支持五所美国大学科研

Meta于2026年10月29日宣布支持加州理工学院、俄亥俄州立大学医学院、路易斯安那州立大学、印第安纳大学和UTHealth Houston五所美国高校的科研。Meta表示,将提供200万美元资助和最新模型访问权限,支持用其模型推进医学、物理、化学、生物、计算机科学和数学研究。具体项目包括用开放权重SAM模型监测婴儿气管套管移位、用多模态AI帮助痴呆症患者沟通,以及结合腹部CT、病历和ECG数据提前识别HFpEF心衰风险。同日另一则Meta发布信息称,向研究者开放Muse Wonder、Muse Spark、Muse Glimmer、Muse Spark Open、SAM、V-JEPA、DINO及多语言模型SeamlessM4T,这些高校将把模型用于数学与物理研究、X光筛查与心衰检测、婴儿气管造口监测、孕产妇与新生儿护理及脑癌治疗等方向。

Google发布EmbeddingGemma 2论文

Google 发布 EmbeddingGemma 2 论文,介绍一个 Apache 2.0 许可的端侧多模态嵌入模型,把文本、代码、图像、音频和视频映射到同一向量空间。该模型基于 Gemma 4 构建,通过向更大的 Gemini Embedding 2 学习并用对比训练调优,744M 参数规模在多项任务上超过大 2 至 12 倍的模型。在 Pixel 11 Pro 上,量化后的文本权重占用约 191MB 活跃内存,完整多模态模型约 567MB,上下文窗口扩大 4 倍至 8K tokens,可容纳约 5.5 分钟音频、29 张图像或 58 帧视频;直接嵌入语音在 MSEB 口语查询检索基准上得分 69.54,高于先转写再检索的 57.59,代码检索在 MTEB Code 上从 EmbeddingGemma 1 的 68.76 提升到 78.68。目前尚无后续进展。

林达华提出AI进步取决于更智能构建而非单纯扩大规模

2026年10月29日,商汤联合创始人兼首席科学家林达华在中信证券第33届投资者论坛上提出,AI进步的关键不只是扩大模型规模,更在于更聪明的构建方式。他强调数据的“智能密度”决定学习效果,商汤因此开发原生多模态模型,把多模态能力从一开始就融入架构与训练。林达华还预计具身智能将在未来一到两年加速发展,商汤也在持续探索世界模型。

Ceva宣布11月5日在上海举办边缘技术研讨会

Ceva宣布,2026年Ceva边缘技术研讨会将于11月5日在上海张江希尔顿酒店举行,面向半导体工程师、SoC架构师和嵌入式开发人员。据集微网报道,活动分为AI与传感、连接技术两组,议题涵盖LLM推理的内存与带宽瓶颈、面向生成式与多模态AI的NPU架构、低于1TOPS的AI应用,以及蓝牙7、Wi-Fi 7/8、UWB和5G NTN定制芯片。目前尚无关于议程更新或报名情况的进一步报道。

深兰科技发布AI智能体工作手机Wowoker

2026年10月30日,深兰科技发布全球首款大模型AI智能体工作手机Wowoker,面向政企、国央企及金融机构等企业用户。据电子技术应用报道,该机以华为麒麟芯片和HarmonyOS为基础,融合多模态大模型、Decision Model决策模型与AgentOS智能体编排体系,支持AI外呼、声音克隆通话分身、AI营销内容生成及智能CRM。设备资产归属企业,支持手机号脱敏、沟通数据加密留存云端及远程锁定与数据清除。目前尚无后续发展事实。

扩散智能发布扩散语言模型Clover-35B-A3B-Preview

2026年10月29日,扩散智能发布扩散语言模型Clover-35B-A3B-Preview。据量子位报道,该模型采用MoE架构,总参数350亿、每token激活约30亿,支持思考模式;在网页Agent评测WindTunnel的49个任务中,其中位执行时间1.52秒,低于Jev+Mercury 2.5组合的3.21秒,成功率分别为98.6%和95.9%;代码评测上SWE-bench Verified得73.6、Terminal-Bench 2.1得51.7。团队称后续将推出多模态版本并推进端侧适配。10月30日,IT之家·人工智能报道称,人工智能实验室DiffuSpace发布Clover系列首个模型Clover-35B-A3B-Preview,采用MoE架构并以Apache许可开源,通过多轮迭代生成结果,DiffuSpace称其在多项基准测试中性能超过同规模自回归模型Qwen3.6-35B-A3B,并保持更快生成速度,尤其擅长智能体编程与工具使用任务。

inclusionAI开源ZwZ模型家族与ZoomBench基准

2026年10月30日,蚂蚁 inclusionAI 开源发布 ZwZ 模型家族与 ZoomBench 细粒度感知基准,作为 ICML 2026 论文的配套成果。据蚂蚁 inclusionAI 的 GitHub 新仓库介绍,ZwZ 模型族包含 4B、7B、8B 三个规模,在开源模型中取得多模态感知基准 SOTA,且只需一次前向推理、无需在推理时调用工具。其方法为 Region-to-Image Distillation(R2I),把放大局部区域生成的高质量 VQA 监督蒸馏回整图,训练数据为 37K 样本。同时推出的 ZoomBench 含 845 条 VQA、覆盖 6 个细粒度感知维度,Qwen2.5-VL-7B 平均准确率仅 42.5%。目前尚无后续进展。

蚂蚁GuangJian团队发布视觉取证模型DefakerOne2

蚂蚁集团GuangJian团队在GitHub开源视觉取证模型DefakerOne2,并发布模型权重。该模型基于Qwen3.5-2B多模态骨干,参数量为2B,覆盖AI生成内容、DeepFake人脸、文档篡改、自然图像篡改、人脸与证件防伪以及AI生成视频检测。团队称模型在约5000万样本上训练,采用LoRA到全参数再到LoRA的三阶段Tide-Style Tuning,并用基于熵的测试时路由在视频与帧两条通路间选择。团队还称其在53项检测基准中40项达到SOTA、14项定位基准中11项达到SOTA,权重与RRVBench基准已发布于ModelScope。

inclusionAI仓库提供ZwZ2训练与评测代码

蚂蚁 inclusionAI 于 2026 年 10 月 27 日在 GitHub 新仓库开源 Zooming without Zooming v2(ZwZ2),提供 ZwZ2-4B/9B/27B 的训练与评测代码。该模型基于 Qwen3.5-4B/9B 与 Qwen3.6-27B,用 GRPO 强化学习训练,训练数据为 20.4K 条经跨模型验证的多区域 VQA 样本。模型训练时使用完整图像,推理阶段无需任何缩放工具,可迁移到感知、空间推理、长上下文理解和多模态智能体任务。代码、数据合成与评测流程均以 Apache 2.0 协议开放。目前尚无后续发展。

中国标准化研究院与巨量引擎联合发布广告治理蓝皮书

中国标准化研究院与巨量引擎商业信任与安全联合编制的《AIGC时代互联网广告治理蓝皮书》于10月24日在第33届中国国际广告节期间发布。蓝皮书提出覆盖广告投放全链路的治理框架,将风险分为内容违规、技术对抗、交易链路、新场景四类,并从八个方面提出治理建议,倡导“以AI治AI”,用多模态大模型同时看图、读字、听声并联系上下文判定违规。巨量引擎介绍,依托智能审核系统,90%的素材最快10分钟内完成审核,效率提升75%;抖音广告“平台官方保障”标识已覆盖37个行业。目前该蓝皮书已发布,尚无进一步进展。

百度健康升级文心健康管家并发布好医矩阵与健康相机

2026年10月24日,百度健康宣布升级文心健康管家,同时发布「好医矩阵」和「健康相机」。据雷锋网同日报道,百度健康AI服务月活跃用户已达5000万+。好医矩阵包含好医答、好医加号、好医说、好医榜、好医评;其中好医答入驻15万+全三甲真人医生,提供7*24小时在线服务,好医加号已覆盖80%以上公立三甲医院,每天提供超12万个加号源。健康相机支持打字、方言语音、拍照和视频上传边拍边说,基于300万多模态影像素材训练,可识别动态体征与多发症状位置关系。目前该事件尚无后续发展事实。