搜索“多模态”

ZOOI 强调了 Native 30s Generation 带来的创作自由，它让场景以更自然的节奏和电影化的构图展开。 ai vitaminc 强调了角色动作、对白与镜头节奏之间的相互作用，从而让情感时刻鲜活起来。 构建世界，融合风格 Omni Reference 有助于将不同的视觉参考融合在一起，让创作者更灵活地探索独特风格并构建连贯的视觉世界。 Int.Lab 强调了逼真的自然细节与插画式视觉语言之间的平衡，将写实感与风格化融为一体。 2xLabs 采取实验性方法，结合视觉参考、动态动作、复杂镜头运动和多模态输入，打造出超现实的视觉风格。 始终如一的角色 富有表现力的细节和视觉一致性有助于让角色鲜活起来，从细微的面部表情到各个镜头中一致的外观。 AI 电影制作人、《Visible Maker》导演 Christian Fleischer 强调了可灵 4.0 的电影级画质，尤其是其自然的质感、富有表现力的特写，以及在较长镜头中保持的角色一致性。 在《得闲饮茶》中，AmirAigc 讲述了一群朋友从青年到老年的人生历程。创作者强调了角色一致性的提升，以及唇部动作与粤语对白的贴合程度。

匹配字段正文

汇：结构化数据基础模型研讨会 7月11日，即会议最后一天， FMSD（结构化数据基础模型） 研讨会聚焦于结构化数据的基础模型，在COEX大宴会厅举行[9]. 继去年在ICML 2025首次举办之后，这标志着该研讨会的第二届。本次研讨会提供了一个观察研究趋势的机会，该趋势将表格数据和时间序列数据视为一组统一的问题，而非彼此独立的领域。特别是，今年的研讨会聚焦于多模态结构化基础模型，这类模型将结构化数据与其他模态相结合，例如在医学诊断中同时使用图像和表格数据，或在心电图（ECG）解读中结合文本和时间序列数据。 其中，以下报告尤其值得关注。 ● 基于先验数据拟合网络的时间序列因果基础模型[10] - 本研究将PFN（先验数据拟合网络，一种在合成数据上预训练的结构，在推理时仅根据给定上下文进行预测）——它构成了TabPFN的基础——扩展到时间序列的因果推断。它作为一个示例，表明LG AI Research所研究的表格数据ICL和时间序列预测最终同根同源。● TiViT：用于分类的时间序列表示潜藏于预训练视觉Transformer之中[11] - 本研究从预训练视觉Transformer已包含对

匹配字段正文

的内容可能对信息的总结不完整。请核实重要信息。 了解更多 使用 世界模型 的物理 AI 开发者面临两项不同的挑战：使模型适配其传感器、任务和数据，以及将这些模型可靠地集成到应用中。 NVIDIA Cosmos 分别应对这两项挑战。Cosmos 是一个提供世界基础模型和开发工具的平台，面向 物理 AI. Cosmos Framework 提供用于世界模型训练、多模态数据处理、优化和推理的智能体技能与配方。 Cosmos NIM 微服务 通过应用程序 API 支持 GPU 加速的服务。 本文对这两部分逐一进行介绍。仿真部分展示如何使用 Cosmos Framework 的推理配方和智能体技能，从你今天即可运行的已发布检查点出发，为自动驾驶、机器人和手术场景生成同步的相机视频和 LiDAR 观测。部署部分展示如何为你的 GPU 选择 NIM 配置、启动容器、验证就绪状态，并发送你的第一个推理请求。 何时使用 Cosmos Framework 进行世界模型开发 Cosmos Framework 是一个开放且完全模块化的框架，用于世界模型训练、模型优化和推理，借助新的智能体技能支持完整的模型开发

匹配字段正文

。 在生成之前塑造你的幻灯片和视频概览。 了解更多 根据文章，学生可以通过使用 Gemini Notebook 更聪明地学习，它提供互动式学习概览和自定义测验。此外，学生还可以使用新的共同创作控件，在生成之前塑造他们的幻灯片和视频概览。 此内容由 Google AI 生成。生成式 AI 仍处于实验阶段。 使用 EmbeddingGemma 2 构建隐私优先的多模态搜索这款全新的开放嵌入模型基于 Gemma 4 架构打造，拥有 7.4 亿参数，它超越了文本，可直接在日常设备上将代码、图像、视频和音频映射到单一统一空间。其模块化设计将本地向量存储最多削减至原来的六分之一，让开发者能够轻松构建私密、离线的应用，这些应用可以从语音备忘录中找到特定的视频片段，或用文本查询搜索数小时的音频。 阅读从我们的 Project Suncatcher 卫星传回的第一条 AI 回复。在 将 TPU 发射到近地轨道我们的首颗 Project Suncatcher 原型卫星传回了有史以来第一条由数据中心级 Google TPU 在太空中生成的 AI 回复：一首由 Gemma 4 在轨创作的俳句。这一里程碑证实了

匹配字段正文

值得注意的是，我们的 8B 强化学习智能体在向 Android 环境的分布外泛化上较 SFT 基线提升近七倍，同时在真实 iOS 应用上超过 Gemini-3.5-Flash 并与 Gemini-3.1-Pro 持平。 同等贡献 相关阅读与更新。 ILuvUI：基于机器对话的指令微调 UI 语言-视觉建模 2025年7月14日研究领域 人机交互会议 IUI 多模态视觉语言模型（VLM）凭借对图像和语言的融合理解实现了强大的应用，但许多模型由于缺乏 UI 训练数据而在 UI 任务上表现不佳。本文中，我们将为 VLM 生成配对文本-图像训练数据的方案适配到 UI 领域，方法是将现有的基于像素的方法与大语言模型（LLM）相结合。与先前工作不同，我们的方法无需人工提供的标注，……阅读更多 从交互到影响：通过理解和评估移动 UI 操作影响迈向更安全的 AI 智能体 2025年6月30日研究领域 人机交互会议 IUI 随着生成式 AI 的进步，越来越多的研究致力于创建能够通过操作用户界面（UI）来管理日常任务的自主智能体。虽然先前研究已探讨了 AI 智能体如何导航 UI 和理解 UI 结构的机制，

匹配字段正文

0%。 指标GPT-Rosalind-6GPT-Rosalind-5.5GPT-6 Astra cons@32 78.3% 79.2% 63.3% 拒答率 9.4% 1.8% 29.2% 拒答调整后的 cons@32 85.0% 90.0% 其系统卡中发布的拒答调整后 GPT-Rosalind-5.5 分数采用了不同的计算方法，因此未纳入本比较。为评估模型在多模态环境中排查湿实验室实验的能力，我们在来自 SecureBio 的一组完全留出的病毒学故障排除问题上对模型进行评估，采用多选格式。只有当回答选中所有正确陈述且未选中任何错误陈述时，该回答才得分。表5：多选病毒学故障排除 90.0% 其系统卡中发布的拒答调整后 GPT-Rosalind-5.5 分数采用了不同的计算方法，因此未纳入本比较。 为了评估模型在多模态环境中排查湿实验室实验的能力，我们在来自 SecureBio 的一组完全留出的病毒学故障排除问题上对模型进行评估，采用多选格式。只有当回答选中所有正确陈述且未选中任何错误陈述时，该回答才得分。 表5：多选病毒学故障排除。指示性 High 能力阈值为 31%。 类别 在对拒答情

匹配字段正文

内分泌代谢病研究所所长毕宇芳的主持下进行。多位专家结合各自研究方向，从医学工程、患者预测、人群健康及蛋白质组研究等角度带来了分享。牛津大学遗传学教授Philip Awadalla以人群多组学与细胞及网络建模为主题，分享相关研究进展，为与会人员了解不同层次的健康数据与建模研究提供了学术视角。加州理工学院医学工程系教授高伟围绕柔性材料与生物传感技术作专题报告，介绍了贴肤式可穿戴生物传感器及通过汗液等体液进行无创连续检测代谢物和生物标志物的成果与研究。巴黎西岱大学巴黎移植与器官再生研究所所长Alexandre Loupy分享了多模态患者预测系统的相关研究，围绕此类系统从研究走向验证评价的过程进行了介绍。 专题研讨环节，来自韩国技术科学院、杜克-新加坡国际大学、四川省医学科学院四川省人民医院、Nature Medicine、Nature Cancer、NEJM AI、Cell的专家、编辑面对面交流研讨，围绕医疗人工智能前沿技术的临床可信性及其证据基础展开讨论，重点探讨数据驱动研究中的机制解释、模型面向不同人群的可靠性，以及临床应用所需的验证与评价，从研究方法、证据质量与学术传播等角度交流观点。

匹配字段正文

备出色的无线连接能力，更将高清视频H.264编码和解码、3DNR ISP、2.5D GPU、MIPI 2Lane摄像头接口和MIPI 4Lane显示接口、先进音频、精准运动控制和专用AI处理功能集成一体，既消除了多芯片间的通信延时，又将功耗压缩到极致。产品采用M52+M55双核，配合0.25T算力的ARM Ethos U65 NPU，赋能端侧实时智能分析，为多模态物理AI和机器人提供强力支持。该产品荣获2026年度国际AI+IoT生态发展大会AIoT创新技术产品奖、2026“IOTE金奖”创新产品奖。 在关键技术及创新点上，BK7259率先将ARM Ethos-U65 microNPU集成于Wi-Fi 6 MCU，实现0.25 TOPS端侧AI算力，为边缘智能应用提供超强算力与能效；统一内存架构使NPU、GPU、CPU并行运算不丢帧，支撑实时目标跟踪与自然语言处理；端侧本地3D人脸识别约200ms完成，生物特征数据不出设备，兼顾隐私与安全；深度睡眠电流低至2µA，在AI算力与低功耗之间实现平衡；支持Wi-Fi 6+蓝牙+IEEE 802.15.4等多协议融合，适配多元智能终端连接需求。

匹配字段正文

仍处于探索阶段 智元的营收从2023年30万元、2024年6000万元、2025年突破10亿元到今年上半年近20亿元。 产品端方面，根据第三方机构统计，今年上半年智元以9700台的出货、超过43%的市占份额位居全球第一。彭志辉透露称，今年9月，智元第20000台机器人正式下线。 主论坛大会现场，智元推出新一代具身基座模型GO-3 Preview，具身智能原生多模态交互大模型WITA Omni1.0以及新一代灵巧手产品家族、安规级重载具身机器人精灵G2 Max等等。 技术之外，智元还讲述了“Worken”的概念以及部署态的进展。 据彭志辉介绍，Worken的计算公式为“Worken＝活跃机器人数量×自主工作时长×产出效能比”。具体来看，活跃机器人数量指的是真正在岗工作的机器人覆盖规模，而不是待在仓库里的机器人；自主工作时长要求机器人是自主的智能体、不依赖于人类；产出效能比则是“机器人的劳动能够创造多少个人类的价值”。 “Worken想回答的是在真实的环境里机器人到底能贡献多少可以持续有效的智能劳动，包含了机器人的能力、可靠性以及实际对客户的产出等。”彭志辉将Worken定义为“物理AI时

匹配字段正文

与AI快速批改，可生成班级年级、个人等多维度报告。AI精准定位薄弱点、错题智能化处理并智能推荐个性化学习方案。 AI个性化学习中心如同AI自习室，是作业帮面向学校晚自习、课后托管等场景打造的产品。每台学习机都内置了AI超级老师，其能力堪比真人，且是行业唯一达到特级教师水平的超级智能体。AI超级老师可全程陪伴，1对1为学生答疑、实时批改、学情分析数据同步云端、多模态讲解、自动规划个性化学习方案等，实现入座即学、疑问即时解决、补弱提优，大幅减轻管理与辅导工作。据中国信通院认证信息，学生使用作业帮AI超级老师后学习效果提升超42%。 教育装备展期间，作业帮还发布了重磅新品，即专为K12校园教学场景打造的AI原生智能教学终端——云思AI智慧教学PAD。云思AI智慧教学PAD集AI作业批改、教学资源与课堂授课三大功能于一体，主要为解决教师日常教学最核心的三类需求而设计。该教学终端，以AI原生能力提升教学效率。具体表现为，依托高准确率的AI作业批改能力，教师能快速完成多题型批改与错因分析，减少重复性批改工作。AI可调用内置的海量教材教辅资源与题库，支持教师快速完成检索、AI组卷、AI备课等教学资源

匹配字段正文

434）：该图片是一张基准对比表，帖子将其归于 X 上的 @GoogleDeepMind，重点展示 Gemini 4 Carbon 与 Gemini 4 Argon、GPT-6 Astra、Claude Opus 5.5 和 Claude Fable 5.1 的对比。帖子声称 Gemini 4 Carbon 在众多技术类别中领先，包括编码、智能体计算机使用、多模态理解、长上下文、科学/数学和网络安全，并在 AA Index、SWE-sweep、Terminal-Bench、Agents’ Last Exam、GraphWalks、RiemannBench 和 SEC-bench Pro 等基准上取得最高分。Reddit 文本未提供方法论、数据集版本或独立验证，因此该表格最好被理解为一份声称的厂商式基准摘要，而非可复现的评估。 评论者指出，尽管模型似乎有所改进，但据报道 Gemini 4 Carbon 并未公开可用，可能仅限于部分“cyber crews”，且未提及发布日期。这限制了对任何声称性能提升的独立基准测试或验证。 Alphabet 推出 Gemini 4 Carbon，下一代前

匹配字段正文

情，也都没有解决。 字节早有布局 字节的世界模型和谷歌有异曲同工之处。 2024年，通义大模型技术负责人周畅从阿里加入字节后，负责的就是世界模型相关研究。 不过当时字节内部判断，世界模型的技术路线和商业化场景都不够清楚，更重要的是先打好视频模型这一仗。 到2025年，字节开始小范围组建VLA研究组。字节AI Lab负责人李航团队主要基于仿真数据训练，Seed多模态研究员王文千团队主要基于自然数据训练。 2026年春节后，Seed又新设了一支3D仿真世界模型组，由前Meta FAIR研究员范浩奇负责，向周畅汇报；原来的两个VLA组合并，也统一向周畅汇报。 由此形成两条路线：VLA面向具身智能，追求真实动作与环境响应；3D仿真面向娱乐和游戏。 字节为世界模型准备的训练数据预算达到数千万元，覆盖VLA、长视频和3D等模态。一名数据供应商称，投入能达到其他厂商的3至4倍。 然而钱也花了，人也找了，可成绩就是出不来。据报道，2026年初，字节内部评测显示，其世界模型的综合性能距离当时的全球SOTA仍有约10%的差距。 就和谷歌一样，字节做世界模型也是有技术支撑的。 Seedance 2.5单次可

匹配字段正文

重新确认。Astra在精细操作上的短板，恰恰指向物理接触数据的缺失，而目前大模型公司开始大量买数据、采数据已经不是新闻。 今年9月具身数据众包平台觅蜂科技CEO姚卯青受访时提到，他们的客户里除了具身公司和世界模型公司，通用大模型公司是他们的第三类客户。而头部的大模型最新版本具备了一定在物理世界里面去决策和规划的一些能力，也是因为它们已经开始把这些数据训到基模多模态的能力里面去了。 大模型公司已经不止于买数据。OpenAI在湾区租下的厂房，电力容量超过1.4万安培，远超普通工业建筑，被外界视为机器人数据工厂的雏形；其机器人数据采集运营岗位的职责里，明确写着协调工作站、操作员和物料的日常运转。字节Seed团队新放出的数据与评测岗位，则要求建设贯穿采集、处理、训练、评测和模型反馈的完整闭环。 一位具身行业从业者告诉数智前线，具身公司过去在数据上投入很大，哪怕别人要采，别人也会花很长的时间才能采出来。但这段时间差能维持多久，没人说得清楚。 仿真是否受益，则观点不一。陈哲认为，如果通用模型需要在虚拟世界里做强化学习，谁能提供更多、更真实的3D场景，谁就有议价权。许华哲则泼了冷水，Astra 做的

匹配字段正文

的发布前测试，再逐步放开给开发者、企业和消费者。 https://t.co/N3yQOIrnZG 能力叙事：更难、更长的工程任务 Carbon 面向更难、跨时更长的工程问题，适合持续的 Agent 工作流。内部团队称它能跑上数天，在卡死之后仍继续推进，例如在大型代码库与底层系统里定位根因并打补丁。反馈驱动的改进覆盖编码、Agent、科学任务、全栈 Web 与多模态理解等。Web 开发方面，称输出质量提升后，WebDev Arena 上升约 +89 Elo，排到第 4（约 1768 分）。 网络安全 官方称在「发现 → 验证是否可利用 → 修复根因」整条链上有显著跃升；外部基准均为未加护栏评测口径： · SEC-bench Pro 约 88.2%（在真实软件中自主挖复杂漏洞） · ExploitGym 约 54.8%（判断漏洞是否可被利用，便于排优先级） · Collinear CWE-bench 约 71.0%（把已验证发现变成可工作的补丁） 对内指标还包括：相对 Argon，生成安全代码成功率自称提升超过约 2 倍；Chrome 团队称其高质量补丁表现比「另一家实验室的大型前沿模型」

匹配字段正文

标准定价下，其每任务成本与 Gemini 4 Argon（$7.68）相当，而在 Intelligence Index 上得分高出 9 分 ➤ AA-Omniscience v1.1 得分领先，幻觉率低：Gemini 4 Carbon 在我们最近更新的 AA-Omniscience v1.1 上得分 54，比 Claude Opus 5.5（max，48）高 6 分，比 Gemini 4 Argon（46）高 8 分。准确率（% 正确）较 Argon 提升 10 分至 58%，而幻觉率从 4% 上升至 11%。这仍是所有模型中第二低的，仅次于 Argon，而 Claude Opus 5.5（max）和 GPT-6 Astra（max）均为 50% 关键模型细节： ➤ 上下文窗口：1M tokens ➤ 多模态：文本、图像、视频和语音输入，文本输出 ➤ 定价：每 1M 输入/输出 token $4/$20，与 Gemini 4 Argon 的标准定价相同，并提供 50% 折扣。缓存输入 token 享受 95% 折扣（每 1M $0.20） 祝贺 @GoogleDeepMind 团队！

匹配字段正文

低于 Preview：Mistral Large 4 定价为每 1M 输入/输出 token 0.70/2.10 美元，较 Preview 的 1.36/4.18 美元下降约 50%。按新定价，每项 Intelligence Index 任务成本为 2.06 美元，较 Preview 的 5.54 美元下降 63%。这与 Muse Spark Open（xhigh，2.02 美元）相当，但比领先开源权重模型 DeepSeek V4.1 Flash 1017（max，0.60 美元）和 MiMo-V2.6-Pro（0.26 美元）更贵 关键模型详情： ➤ 规模：总参数 1.05T / 激活参数 52B ➤ 上下文窗口：1M token ➤ 多模态：文本和图像输入，文本输出 ➤ 定价：每 1M 输入/输出 token 0.70/2.10 美元（每 1M 缓存输入 token 0.07 美元） ➤ 许可证：MEOW 许可证（Mistral 生态系统开放权重许可证），运营 Model-as-a-Service 业务需与 Mistral 另行签订商业许可证 祝贺 @MistralAI 团队发布！

匹配字段正文

智东西10月29日报道，今日凌晨，谷歌发布了其最强的旗舰模型Gemini 4 Carbon，该模型专为持续运行的Agentic工作流而构建，重点提升了编程、智能体和科学任务，以及全栈Web开发和多模态理解等能力。 该模型在最近更新的v5.0版Artificial Analysis Intelligence Index上以59分排名第一，超越Claude opus 5.5、GPT-6 Astra（max）和GPT-6.1 Sol（max）等一众模型。 价格方面，Gemini 4 Carbon的首发优惠价格为每百万个输入Token收费2美元，每百万个输出Token收费10美元，与Argon首发优惠价一致。并且，缓存输入Token的价格还在输入Token单价基础上可享95%减免，也就是说只需支付原价的5%。 同时，谷歌母公司Alphabet公布2026年第三季度财报。本季度，Alphabet营收达1275.77亿美元（约合人民币8504.35亿元），同比增长约25%，实现连续13个季度两位数增长；净利润达261.7亿美元（约合人民币1744.51亿元），同比下跌约25%；摊薄后每股收益为2.

匹配字段正文

将会进入人机共创的新范式：团队讨论完把需求提交给AI，内容由大模型生成，由Agent来整合，团队来验收，然后沉淀到知识库。 今天，借生态大会的机会，我们也正式对外发布Buddy One。 Buddy One以WorkBuddy为工作台，无缝整合腾讯文档、腾讯乐享、腾讯设计等不同工具，通过统一账号、统一积分池、统一数据池，大模型针对不同需求，调用不同工具来生成多模态内容。团队可以在项目中协同修改，共同检验产出物，持续讨论与迭代。Buddy One实现人和AI共同创作，围绕任务协同，而不是围绕文件流转。当然，还要支持好多终端的联动，云与端的Agent无缝切换。 这样的“一体化体验”，需要多个产品共同支撑。腾讯文档负责内容编辑，腾讯乐享提供知识管理，腾讯会议把开会的共识融入代办中，皆为WorkBuddy提供了上下文。 当任务需要补充外部信息时，元宝搜索也会提供实时数据。依托国内外的权威网站、专业的数据资源、腾讯独有的内容生态，如腾讯医典等，元宝搜索沉淀了千亿级的索引，满足各类深度调研的需求。元宝既作为ChatBot给用户提供快而准的答案，也通过API向行业提供搜索能力。 今天，我们也将正式发

匹配字段正文

与 Argon 相比，最大的进步显然在于开发针对软件的新型攻击。Argon 在 Exploitgym 基准测试中仍达到 42%，略落后于 GPT-6 Astra，而 Carbon 则跃升至近 55%。在 SEC-bench Pro 基准测试中，Gemini 4 Carbon 也以约 88% 领先于 GPT-6 Astra。在修复安全漏洞方面，Carbon 声称以 CWE-bench 的 71% 领先于谷歌所参照的竞争对手语言模型。 此外，该集团还报告称，Carbon 是更好的 AI 智能体，适合需要长时间计算的困难编程任务。公告中写道：“在内部，我们的团队观察到 Carbon 连续运行数天。”此外，该 LLM 在科学任务、Web 开发以及理解多模态提示方面应能取得更好的结果，并能输出缺陷更少的软件代码。 使用 Gemini 4 Carbon 的费用为每百万输入 token 4 美元，每百万输出 token 20 美元。初期有 50% 的 introductory 折扣。谷歌没有说明 Carbon 何时公开可用。据说“很快”就会实现。Argon 当时只用了两周。 广告后继续阅读 (ds)

匹配字段正文

参数对比，Thor-T5000为2P FP4稀疏算力，128GB的共享内存；TY1200为300 TOPS INT8稠密算力，存储是32GB系统内存+32GB HBM2e显存。 其选择了Qwen3.8-27B模型，首先向模型提问了“狮子和老虎单挑谁会打赢”。结果显示，TY1200的首词延迟更低、吞吐更高、输出时间更短。 根据天数智芯公开的数据，在大语言模型、多模态模型、世界模型等的实测中，TY1200的TPS（每秒词元数）均超越了T5000。宋远盈称，TY1200性能更优的原因在于显存带宽更高、计算核数量更多。 演示人员现场实测的下一个任务是文生视频。她让两款产品生成了猫咪打架并打碎了花瓶的视频。TY1200在6分10秒内生成了5秒视频。 其次是对保密要求更高的法务合规场景，演示人员现场演示了基于企业内部的规则进行法务合同审核。 最后是物理AI场景。其现场用端侧算力训练了双足鸭机器人MicroDuck，让MicroDuck在仿真环境里完成各项活动，包括前进、后退、转身、被推倒后站起等。 演示人员现场还让实体的MicroDuck自己走动，并在摔倒后站起来。 在具体的应用方面，其基于TY1

匹配字段正文