搜索“多模态”

MoE模型。路透社报道了阿里巴巴声称其超越了DeepSeek-V3。 更大的声明出现在3月6日。QwQ-32B基于Qwen2.5-32B构建，并通过强化学习训练，以Apache 2.0发布。Qwen声称其性能可与671B的DeepSeek-R1相媲美。VentureBeat指出硬件差距约为24 GB显存对超过1,500 GB。阿里巴巴港股当天上涨超过7%。 多模态能力同步跟进。Qwen2.5-Omni-7B于3月26日以Apache 2.0发布。它接受文本、图像、音频和视频作为输入，并以文本或语音作答。CNBC将其定位为面向高性价比AI智能体的模型。 第四章——2025年：Qwen3与万亿参数线 Qwen3（4月）：2025年4月29日（北京时间），团队发布了Qwen3：6个稠密模型，从0.6B到32B，以及2个MoE模型。旗舰是Qwen3-235B-A22B，拥有22B激活参数。所有模型均以Apache 2.0发布。 关键特性是混合思考。一个模型可以逐步推理或即时作答，由用户切换。《Qwen3技术报告》列出预训练使用了约36万亿个token。语言覆盖从29种跃升至119种语言和方言。

匹配字段正文

统计口径需要仔细核对，一个直观感受是，中美前沿研究力量正在迅速接近。在我观察的一些方向上，中国团队已经有能力提出最前沿的问题，而不只是追赶别人提出的问题。 需求侧也有变化。中国模型在海外的调用量上升，越来越多外国企业会直接购买中国模型的能力。需求正在出现，这个趋势很值得投资人注意。 还有一种很直接的产品体感。谈语言模型，大家会先想OpenAI；谈视频生成这些多模态工具，字节的Seedance、海螺、可灵，已经是全球用户会拿来比较的产品。在一些榜单里，中国团队也常常处在非常前面的位置。 这些变化加在一起，让我觉得，一些产业走到了中美并跑的深水区。追赶时，投资人能把同行做过的产品当作坐标；并跑时，连产品边界和使用场景都还在变化。山顶还看不见，怎么投资、谁适合创业，乃至政府怎么适应这种创业方式，问题都变了。 观察者网：孙喜研究创新体制。张辰说我们有些领域已经走到并跑的位置，你怎么看这种变化？ 孙喜：并跑不是突然发生的。关于中国怎样从跟跑走向并跑，十多年前研究产业和科技政策的人就在讨论。起初可能在少数产业链上看到变化，再从一个产业链扩散到更多产业，从单个企业的技术能力扩散到系统、工艺和上下游配

匹配字段正文

从应用场景看，生成式AI可归纳为五大类别（简称“5C”）：虚拟专家（Concision）、代码编程（Coding）、内容生成（Content generation）、客户交互（Customer engagement）与认知工作流（Cognitive workflow）。 其中，虚拟专家（Concision）是占比最高的场景类别（40%）。它采用生成式AI对多模态数据进行汇总和提炼，并结合业务背景输出高价值洞见。典型的虚拟专家应用包括设备故障的根因分析、客户投诉的应答建议、变革举措的方案生成等等。 认知工作流（Cognitive workflow）则是过去一年增速最快的大类。越来越多的灯塔企业开始把智能体嵌入各个生产与业务环节（如采购降本分析、供应链风险处置、生产计划和排程、质量问题解决、工厂业绩管控等），甚至部署了多智能体、跨价值链的复杂AI工作流（见图1）。 价值跃迁：智能体的三重业务增值 智能体AI突破了生成式AI的技术边界：能够由物理世界信号自主触发，并且集成调度多种工具协同运转，跨层级驱动端到端工作流。这一技术突破，可为企业带来三重独特业务价值： 1. 释放人力：从“低头执行

匹配字段正文

派全球发布会现场获悉，觅蜂科技董事长兼CEO姚卯青正式发布全球首个全品类高质量物理AI数据众包服务平台“觅蜂派”。觅蜂派被视为“中国版Index”，用户下载该应用后可以领取数据采集任务，并佩戴MEgo设备在零售、仓储、制造、家庭等真实场景中完成指定操作，按照审核后的有效数据时长获得报酬。据悉，在为期1个月的内测期间，觅蜂派注册用户数达2万人，采集提交总量为1.3万份。 具身智能正从技术验证步入规模化前夜，产业链的投资焦点正从本体制造转向数据资产与商业化闭环。无论大模型厂商、通用具身模型公司还是整机企业，要让机器人从“演示”走向“干活”，都必须先过数据关。物理交互数据的稀缺，使高质量数据供给成为全行业最先爆发真实采购需求的环节。根据研究机构的InteractAnalysis报告，全国已经有至少90个人形机器人数据采集和训练中心（简称“数采中心”）处于使用或规划建设中，折射出数据供给端的基础设施投资热度。德邦证券指出，数据成为AI迈向物理世界的关键门槛，目前存在获取成本高且规模远未达到训练所需数量级等问题，《人工智能合作发展行动计划》将优质数据供给行动放在首位，多模态数据采集成为热门赛道。

匹配字段正文

”和“讲笑话”的玩具。 2017年前后，天猫精灵、小度、小爱同学靠补贴大战在中国铺开智能音箱，却又陷入同质化与价格战，入口叙事难以变现。行业逐渐形成一个共识：助手的能力天花板，由底层语言理解技术决定，而不是入口形态。 2022年11月，ChatGPT上线，对话助手第一次具备开放域的知识问答、写作与推理能力。2023年，GPT-4、Claude、Gemini等多模态大模型进一步打通文本、图像与音频。然后Agent时代来了。大模型作为大脑，自主规划、调用浏览器、代码与API，完成多步真实任务。 从OpenAI的Operator到Coding Agent，再到Instinct这类没有新界面的个人Agent，AI助手的形态又一次进化，而这一次，它真的可以替你办事了。 构建“通用人工智能助手”，成为每个人的生活助理，是无数公司和创业者的愿景。虽然OpenClaw今年早些时候已在技术圈流行，但Instinct这样的产品初露端倪，有望接过那把等了六十年的钥匙。 权限、隐私与失控 Instinct引发的兴奋，与它的争议几乎同时到来。 争议的焦点恰是它最大的卖点，权限。想让它帮你订机票？它需要你的信用卡

匹配字段正文

据产品质量。健全数据跨境流动政策动态优化机制,持续拓展负面清单应用领域,提升数据跨境服务中心、数据出境“绿色通道”服务能级。创新发展数字贸易。支持数据领域企业出海,积极融入全球数据价值链。 三、加强数智技术创新引领 (四)强化数智领域关键技术攻关 聚焦数据采集、计算存储、流通交易、智能应用、安全可信和全生命周期治理等方向加强技术攻关,推进数据编织、数据本体、多模态数据合成、区块链与隐私保护计算融合架构等技术验证应用。强化模型新架构、群体智能、世界模型等人工智能核心技术攻关,深化可解释、可决策等关键算法研究,加快人工智能安全技术研究应用,促进芯模云端用协同创新。加快跨模型跨芯片的通用智能体技术攻关。前瞻布局类脑智能、量智融合等多元技术路线。加快下一代通信网络、脑机接口、具身智能等领域技术突破。 (五)提升数智技术自主可控水平 加快建设全球人工智能创新高地,构建全栈自主可控软硬件生态,推动国产人工智能芯片、软件栈等实现突破。持续迭代自主可控区块链底层技术体系,强化第五代精简指令集(RISC-V)创新,深化众智FlagOS开源生态建设。打造国际领先的人工智能开源社区,构建开发者社区体系。推动

匹配字段正文

Use 领域本身也向前发展了。我认为我们使用了更多技术。现在 Computer Use 经常会写代码。所以如果你在 Codex 里实际查看并手动展开工具调用，你可以看到它不只是一次做一个动作。它实际上在写 JavaScript 代码并执行，由计算机执行，有时一次执行多个动作，这大大加快了速度，也是很强的能力。我们使用了更多 accessibility，算是多模态接口。所以，模型可能会用截图，可能会用 accessibility，可能会用 Playwright。它可以根据手头的任务使用很多不同的机制。然后，是的，模型的加速一直，一直非常惊人。所以，是的，今天有什么不同？我认为我们一直在让计算机变得更好，所以我认为仅仅一天的差异，可能比比如过去一个月或过去两个月的影响要小一些。但是，是的，我认为 Dot 中的 Computer Use 非常令人兴奋，还有我们推出的新模型。 Vibhu [00:08:03]：在主题演讲中，Tejal 提到 Computer Use 的速度提升了 7 倍，在几项基准测试上表现好得多。你们是怎么考虑衡量它的？Computer Use 就是那种，正如你所说，你知

匹配字段正文

。交互上以触摸感应 " 猫耳 " 降低使用门槛，配合后台故障日志实现零门槛部署。 效果数据：配送效率提升 2 – 3 倍，传菜工时节省约 50% （每班可减少 2 名传菜员），已在全球数千家门店部署。 ◇ 优必选 × 金融网点：大堂人形服务具身方案 方案硬件为 Walker S 双足人形机器人，配备 RGB-D 摄像头、环形麦克风阵列与触控屏。核心能力包括：多模态交互（人脸检测→问候→ ASR+NLP 理解业务意图）、对接银行 FAQ 与合规话术的金融知识库、适老化引导（大字版交互、语速放慢、耐心重复）。部署上采取 " 旗舰网点试点→迭代垂域语料→待系统对接与合规审批后推广 " 的渐进路径，交互日志本地存储可审计，不外传客户身份信息。 应用分为三类场景：一是银行大堂，由 Cruzr （克鲁泽）承担指路带路、迎宾接待、取号分流、业务咨询与智能营销；二是 VIP 理财室，由 Walker S/Cruzr 高端定制机型提供金融管家与理财产品介绍；三是机房巡检，由 AIMBOT （智巡士）执行全感官检测、资产盘查与分级告警。 效果数据：大堂经理重复咨询工作量下降约 30% （估算）， VIP

匹配字段正文

似的事情。 Meta自己也在加码，9月29日推出小企业版Muse for Small Business，接入Asana、Zoom、Slack等办公软件。按Meta的说法，约三分之一的早期用户已经用Muse连接了某种业务账号，个人Agent正在自己长进工作场景。 AidenInTech发现，Muse可以胜任短程、浅层的任务，一旦任务链条加深，失败率便明显上升。多模态能力也偏弱，生成的报告和文档质量较为基础。跨系统的复杂任务同样是短板，还有用户反映，涉及教育、医疗、交通等多个系统的协同任务，Muse频繁失败。 更大的阻力来自外部平台。9月20日起，亚马逊开始阻止Muse在其平台完成购物，理由是未经授权的AI智能体持续访问违反使用条例。也就是说，Muse目前没法替用户在亚马逊买东西。 一是个人AI智能体存在大量的真实需求，250万下载、64万日活，是用户自己投的票。二是超级App的分发能力，决定了Agent产品早期获客成本的下限，Apptopia显示，95%的Muse用户同时是Facebook用户，63%同时使用Instagram，Meta几乎没有为获客额外花钱。 02.谁离中国版Muse更

匹配字段正文

点配置和模型。如果进程在清理完成之前停止，请通过 SageMaker AI 控制台或 API 删除资源。正在运行的 GPU 端点会继续产生费用。 通过部署文本转语音模型，您使用 SageMaker AI 上的 AWS vLLM-Omni DLC 在模型仍在生成音频时流式传输音频。此示例展示了专用 AWS DLC 如何支持执行和流式传输模式不同于通用文本生成的多模态模型。结合之前的 vLLM 语音转文本示例，这些示例展示了互补的路径：将麦克风音频流式传输到转录中，然后将应用程序的文本响应以语音形式流式返回。第 2 部分将展示如何将同一 DLC 系列用于图像和视频生成。 试用代码示例，然后浏览 vLLM-Omni DLC 文档和 SageMaker AI 双向流式传输开发人员指南，以将该模式应用于其他受支持的多模态模型。 作者感谢 Zhuofu Bai、Ayush Sharma、Christian Kamwangala 和 Jon Chua 对解决方案和发布流程的贡献。 Yadan 是 AWS 深度学习容器团队的软件开发工程师。她构建的容器为 Amazon SageMaker AI、Ama

匹配字段正文

准确率超87%，有效提高基层人工巡检质量和效率。 专用模型方面，传播大模型3.0打造“新闻速写+深度写作”双模式引擎，实现图文一体化、规模化、高品质生产，服务全国5万余家媒体、高校及企业，内容创作效率平均提升50%以上，审核效率提升100%。文澜·出版一本通2.0深度适配编审规范、内容生产流程与行业知识体系，全链路耦合出版核心环节，已落地5个编校类场景、6个多模态应用场景，部署21个专用智能体。文盾大模型2.0是文旅部首批文化市场综合执法大模型全国试点，是全国首个完成中央网信办备案的行政执法类大模型。 本次发布高质量数据集4个，其中基地数据集2个、专用数据集2个。 基地推出古建筑基因数据集，汇聚全国4万余处古建筑数据，涵盖整体形制、空间结构、布局规制及微观结构数据，收录门窗、木雕、雕花等特色构件超40万个，可广泛用于影视美术置景、游戏场景搭建、文物展陈设计、文创IP转化等场景。公共文化空间数据集覆盖全国22个省份博物馆、纪念馆、文化馆等百余处公共文化空间，构建多模态训练语料，可赋能智能导览、展陈设计等公共文化服务升级。 在专用数据集领域，文旅和视听高质量数据集汇聚百万小时媒资、诗画浙江

匹配字段正文

码打交道的本科生来说，这是一次实打实的转身。 智慧安防技术赛道的难度还体现在评分表上。比赛评分中硬件安装仅占15%，软件配置、运行维护和优化调试占85%。这就要求选手既懂传统硬件安装、布线、配置等知识，又掌握计算机视觉、大小模型协同等人工智能领域的知识，并能结合工程标准完成设计、部署、调试与运维。智慧安防技术赛道不仅对参赛选手在综合型、技能型知识掌握方面提出了极高要求，也对相关领域的人才培养提出了更高标准。 “交大计算机学院坚持立足人工智能、网络空间安全等优势学科方向，面向智慧安防领域持续推进人才培养工作。”李金泽同学所在学院的党委副书记李智介绍到，学院围绕视频智能解析、异常行为识别、多模态内容鉴别、物联网终端安全等关键方向，持续深耕科研攻关与教学建设，着力锻造像李金泽这样的复合型科技人才，希望能为新时代城市安全治理输送更多技术过硬、责任明晰、恪守底线的“大国工匠”后备力量。 在李金泽看来，这项技能的价值也远不止于一块奖牌：“这方面的需求其实一直都在，但现在和人工智能、视频算法结合起来，甚至以后还会引入多模态大模型，这些就是新的发展方向了。所以在我看来，这个职业的未来前景是非常好的。”

匹配字段正文

，推动产出更多标志性原创成果。聚焦重要战略领域和产业链供应链薄弱环节，采取超常规措施，全链条推动重点领域关键核心技术攻关取得决定性突破。 线上串联畅通，聚焦要素协同，建立健全与智能经济适配的要素体系。统筹推进算力设施建设、模型算法发展和高质量数据资源供给。加快国家枢纽算力设施集群建设，支持有条件地区根据低时延场景需求适度发展算力，加强高性能高质量智算资源供给。强化“模芯数云用”协同创新，鼓励多模态、智能体、具身智能、群体智能等技术创新，推动通用大模型和行业专用模型同步发展。构建国家数据资源体系，推动企业数据、行业数据开发开放，加快建设人工智能语料库，面向能源、交通、制造等领域建设高质量数据集。 面上落地应用，聚焦泛在场景，深化超大规模市场优势推进场景赋能。围绕科学技术、产业发展、消费提质、民生福祉、治理能力、全球合作等领域，深化拓展“人工智能+”行动。建设国家人工智能应用中试基地，推进工业全要素智能化发展，加快农业数智化转型升级，创新服务业发展新模式，促进数字经济和实体经济深度融合。充分发挥数智技术和数据要素对丰富人民生活、改善民生福祉的作用，拓展教育、医疗、养老、文旅等领域融合应用。

匹配字段正文

重要战略领域和产业链供应链薄弱环节，采取超常规措施，全链条推动重点领域关键核心技术攻关取得决定性突破。 线上串联畅通，聚焦要素协同，建立健全与智能经济适配的要素体系。统筹推进算力设施建设、模型算法发展和高质量数据资源供给。加快国家枢纽算力设施集群建设，支持有条件地区根据低时延场景需求适度发展算力，加强高性能高质量智算资源供给。强化“模芯数云用”协同创新，鼓励多模态、智能体、具身智能、群体智能等技术创新，推动通用大模型和行业专用模型同步发展。构建国家数据资源体系，推动企业数据、行业数据开发开放，加快建设人工智能语料库，面向能源、交通、制造等领域建设高质量数据集。 面上落地应用，聚焦泛在场景，深化超大规模市场优势推进场景赋能。围绕科学技术、产业发展、消费提质、民生福祉、治理能力、全球合作等领域，深化拓展“人工智能+”行动。建设国家人工智能应用中试基地，推进工业全要素智能化发展，加快农业数智化转型升级，创新服务业发展新模式，促进数字经济和实体经济深度融合。充分发挥数智技术和数据要素对丰富人民生活、改善民生福祉的作用，拓展教育、医疗、养老、文旅等领域融合应用。 智能经济何以塑造中国发展新优势

匹配字段正文

analysis results are already cached 3. Invoke the appropriate tools 4. Synthesize results into a clear answer with timestamps """ 生产环境系统提示约有 250 行源代码。以下简化示例说明了三项具有代表性的策略（缓存复用、服务回退和多模态编排），而非逐字复现该提示： --- Cache management (excerpt) --- CACHE GUIDANCE = """ Before invoking any analysis tool, check the cache: - Call get cached result(video id, analysis type) first - If cached results exist and are dict: """Search for a specific person in video footage. Use this tool when the user provides a reference

匹配字段正文

和文字；但遇到复杂的人手动作、连续操作步骤，或者需要很精细的阴影、反光效果时，效果还不够稳定。 在 Layer 模型中，分层不存在唯一答案。有人只需要背景、主体、文字三层，也有人希望将每段文字和每个图标分别拆开。大量叠加光效、特殊透明材质和复杂遮挡，也可能出现边缘残留或图层缺失。 下一步，我们将继续提升文字与复杂布局稳定性，扩展图层语义和可控分层能力，优化透明效果、遮挡补全和推理效率，并将模型接入更多设计、办公与应用生成场景。 我们关注的不只是模型还能生成什么，而是生成结果能否真正进入下一步：继续改、继续用、继续交付。 04 即刻体验 在线体验 🤗 Hugging Face 如果你正在制作 UI、信息图、海报、演示文稿或设计资产，或者手里已经有一张希望继续修改的设计图，欢迎体验 Ming-Image-0.1-Design 系列。 也欢迎把真实项目里最难生成、最难修改或最难分层的案例留给我们。 让 AI 不只生成一张图，也能理解设计，并把设计继续交付下去。模型发布多模态上一篇Ling-3.1-flash：面向真实世界任务的模型升级下一篇提升大模型智效比，从缩短一次数据验证的等待开始$/$

匹配字段正文

wesan Pal 就技能评估进行的早期讨论，感谢 Ben Coombs 的产品指导，也感谢所有其他帮助促成这项工作的人。 关于作者 Sangmin Woo Sangmin 是 AWS AI Labs 的应用科学家，他在那里开展研究并开发面向智能体 AI 的机器学习解决方案，重点关注评估框架以及提升智能体的行为与性能。他的研究兴趣包括智能体 AI、生成模型和多模态 AI。工作之余，他喜欢旅行和探索新地方。 Bharathi Srinivasan Bharathi 是 AWS 的生成式 AI 数据科学家。她热衷于负责任 AI，以提高 AI 智能体在真实场景中的可靠性。Bharathi 指导内部团队和 AWS 客户走上负责任 AI 之旅。 Shruthi Rajoli Shruthi 是 AWS 的解决方案架构师，常驻伊利诺伊州芝加哥。她与美国东部地区的初创公司合作，帮助早期和成长期公司设计并构建可扩展的 AWS 云架构，重点关注生成式 AI、智能体 AI 工作流、数据和迁移工作负载。工作之余，她喜欢散步、瑜伽，以及探索新的美食和咖啡店。 Visakh Madathil Visakh 是

匹配字段正文

时以机器人为先，这些工厂对他们来说更有效。那么这需要的就是建一个机器人工厂。就美国而言，就像你必须在美国建一个能非常高效地制造机器人的机器人工厂，然后转型它，或者建一个新的、由上述机器人建造的工厂。而我认为美国的再工业化，我认为有很多原因导致它没有发生。我认为在中国可能更有可能，但我也只是没有被AI在视觉和动作模型上的结果说服，认为它们进展得足够快。我想我和多模态领域的人讨论过，他们把这些技术描述为比文本语言模型要原始得多、发展得少得多，并且需要更多根本性的创新，而像代码加RL这样的东西是非常自然的匹配，爬山是非常可预测的。所以—— 00:20:35 JS Denain：所以，看起来有两件事。一是机器人能力的趋势不像你预期LLM那样快，二是即使机器人能力很强，建工厂也需要时间。我想我对第二点有点怀疑。我只是觉得，如果机器人能力足够，这个市场的总可寻址市场是巨大的。而且如果你看美国的数据中心，建设速度极快。如果你有机器人真的能替代蓝领人类工人，我觉得财务激励会非常大。我认为美国在某些情况下没有大规模建设，很大程度上只是需求问题。我认为电力就是这种情况。所以我认为在那种情况下，我只是觉得，

匹配字段正文

型，把所有这些东西都包含进去，还是把它们拆分开来，进一步拆分？我想，一种说法是，OpenAI 当时正朝着全能模型的方向发展，对吧？4o 就是其中之一。然后有一小段时间，总是有，比如，有一条主分支——这是聊天调优模型，这是编码调优模型。 Diogo Almeida [01:50:35]：那些是完全不同的东西。那些是极其不同的概念。我会，比如，稍微拆解一下。所以多模态有点不同 Diogo Almeida [01:50:44]：因为有时候其他模态有帮助，有时候它们有害。 Swyx [01:50:47]：是的。 Diogo Almeida [01:50:48]：比如，人们在移动。他们似乎正在远离语音，语音不同于音频，因为它似乎不能很好地泛化到其他东西上。 Diogo Almeida [01:50:57]：这个问题可能会被解决。我是这一切的粉丝，但这些是，比如，经验性的、真实的问题。比如，缩放定律并不是说只要往里砸钱它就会变好。缩放定律实际关心的是：一个东西到底有多好？比如，存在一些情况，无论你怎么扩展规模，它可能都不够好。所以，Y——比如，据我理解，计算机使用目前还没有被解决。比如，我希望我们

匹配字段正文

工业智能体的业务落地上。”平台把原本漫长的备案长跑，变成了标准化、可预期的短跑，让企业能以更低的门槛，将精力集中在解决制造业的真实痛点上。 标识验证堵住传播链路中的漏洞 在AIGC治理链条中，标识管理是基础的同时也是容易被忽视的一环。平台AIGC标识验证模块严格依据《人工智能生成合成内容标识办法》及GB45438—2025相关标准，对文本、图像、音频、视频等多模态内容开展显式、隐式两类标识合规核查。 MiniMax(稀宇科技)执行总编辑周晓榕说：“规范出具的标识检测材料，可以成为有价值的技术凭证。它能够把各方对标识要求的理解落实到同一份可核验的结果上，减少仅凭口头说明进行确认的情况。对稀宇科技而言，这与我们已经开展的跨平台测试和标识互认验证具有直接衔接价值。” AIGC内容检测让深度伪造无所遁形 平台AIGC内容检测模块严格遵循《互联网信息服务深度合成管理规定》要求，融合多类算法模型，实现对文本、语音、图像、视频等多模态AI生成合成内容的检测。 功能背后，周晓榕提出了来自业务一线的评价口径：“我们会重点看两类问题：一类是漏检，也就是应识别的生成合成内容没有被发现；另一类是误报，也就是非

匹配字段正文