标签：多模态大模型

Qianfan-VL是百度智能云千帆推出的面向企业级多模态应用场景的视觉理解大模型。模型包含3B、8B和70B三种尺寸版本，具备出色的通用能力和针对OCR、教育等垂直...

InternVLA-A1 是上海人工智能实验室和国家地方共建人形机器人创新中心联合发布的具身操作大模型。具备理解、想象、执行一体化的能力，能精准地完成任务。模型...

原标题：大语言模型简史：从Transformer（2017）到DeepSeek-R1（2025）的进化之路 文章来源：人工智能学家 内容字数：24587字大型语言模型（LLM）发展简史：...

Ola 的核心设计在于其渐进式模态对齐策略。

研究团队还建立了全新的 LongerVideos 基准数据集。

第一个结合SAM-2和LLaVA-like的视频多模态大模型。

登上大模型盲测榜单全球前十，数学及编程能力夺冠。

补齐多模态最后一块短板，Tarsier2 反超 GPT4o、Gemini-1.5-Pro！

由月更加速到日更，阶跃模型迭代驶入「快车道」。

多模态语音、视觉理解及生成火力全开。

V2PE 的提出将为视觉 - 语言模型的发展带来新的机遇。

胡瀚是计算机视觉领域通用架构Swim Transformer的核心作者之一。

详细解读Ferret-UI 2模型

原标题：谢赛宁、李飞飞「空间智能」新作：多模态大模型仍难突破空间推理 文章来源：人工智能学家 内容字数：8364字多模态大语言模型的空间推理能力研究 本...

首个深入探索多模态大模型（MLLM）的可解释性综述，从数据、模型、训练推理多个视角剖析多模态人工智能的决策逻辑，揭示其 “魔法” 背后的科学依据。