人類的交互通道有眼耳鼻舌口等器官，他們充當(dāng)著外在世界信號(hào)的“接收器”，將范圍內(nèi)的信號(hào)接收并傳遞給“大腦”。在機(jī)器世界里，從過去鼠標(biāo)鍵盤轉(zhuǎn)變成當(dāng)下的觸控、語(yǔ)音、手勢(shì)、視覺等，多模態(tài)人機(jī)交互技術(shù)正在彼此融合。目前智能語(yǔ)音具備兼顧老人、兒童以及地方方言的能力，語(yǔ)音與
......
111本文由站長(zhǎng)之家用戶投稿發(fā)布于站長(zhǎng)之家平臺(tái)，本平臺(tái)僅提供信息索引服務(wù)。為了保證文章信息的及時(shí)性，內(nèi)容觀點(diǎn)的準(zhǔn)確性，平臺(tái)將不提供完全的內(nèi)容展現(xiàn)，本頁(yè)面內(nèi)容僅為平臺(tái)搜索索引使用。需閱讀完整內(nèi)容的用戶，請(qǐng)查看原文，獲取內(nèi)容詳情。
（推廣）
特別聲明：以上內(nèi)容(如有圖片或視頻亦包括在內(nèi))均為站長(zhǎng)傳媒平臺(tái)用戶上傳并發(fā)布，本平臺(tái)僅提供信息存儲(chǔ)服務(wù)，對(duì)本頁(yè)面內(nèi)容所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任，相關(guān)信息僅供參考。站長(zhǎng)之家將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請(qǐng)進(jìn)一步核實(shí)，并對(duì)任何自主決定的行為負(fù)責(zé)。任何單位或個(gè)人認(rèn)為本頁(yè)面內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，可及時(shí)向站長(zhǎng)之家提出書面權(quán)利通知或不實(shí)情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明（點(diǎn)擊查看反饋聯(lián)系地址）。本網(wǎng)站在收到上述法律文件后，將會(huì)依法依規(guī)核實(shí)信息，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。
這是《窄播Weekly》的第52期，本期我們關(guān)注的商業(yè)動(dòng)態(tài)是:當(dāng)大廠的AI競(jìng)爭(zhēng)策略開始傾斜向應(yīng)用場(chǎng)景，多模態(tài)能力和代理執(zhí)行成為兩個(gè)焦點(diǎn)。大模型落地C端場(chǎng)景的核心，就是讓大模型的能力越來越接近人。沿著這個(gè)主旋律，可以劃分出兩個(gè)進(jìn)化方向:一個(gè)是持續(xù)降低用戶與大模型進(jìn)行有效溝通的難度;另一個(gè)則是讓大模型具備執(zhí)行更復(fù)雜任務(wù)的能力。前者的實(shí)現(xiàn)，需要給到大模型多
本期《窄播Weekly》聚焦AI大廠競(jìng)爭(zhēng)策略向應(yīng)用場(chǎng)景傾斜的趨勢(shì)，重點(diǎn)分析了多模態(tài)能力和代理執(zhí)行兩大發(fā)展方向。文章指出，大模型落地的核心在于讓人機(jī)交互更自然，具體表現(xiàn)為：1）通過多模態(tài)技術(shù)降低用戶使用門檻，如阿里夸克新推出的"拍照問夸克"功能；2）通過代理執(zhí)行提升復(fù)雜任務(wù)處理能力，如字節(jié)、百度等推出的通用Agent產(chǎn)品。國(guó)內(nèi)外廠商路徑差異明顯：國(guó)?
快科技4月16日消息，據(jù)報(bào)道，可靈AI在北京舉行靈感成真”2.0模型發(fā)布會(huì)，正式發(fā)布可靈2.0視頻生成模型及可圖2.0圖像生成模型。據(jù)介紹，可靈2.0模型在動(dòng)態(tài)質(zhì)量、語(yǔ)義響應(yīng)、畫面美學(xué)等維度保持領(lǐng)先；可圖2.0模型在指令遵循、電影質(zhì)感及藝術(shù)風(fēng)格表現(xiàn)等方面顯著提升。3月27日，全球AI基準(zhǔn)測(cè)試機(jī)構(gòu)Artificial Analysis發(fā)布了最新的全球視頻生成大模型榜單，快手可靈1.6pro（高品質(zhì)模
在產(chǎn)業(yè)智能化進(jìn)程中，如何高效融合企業(yè)專有知識(shí)資產(chǎn)，構(gòu)建領(lǐng)域?qū)僬J(rèn)知引擎，是企業(yè)邁向智能決策與高效運(yùn)營(yíng)的關(guān)鍵。然而，傳統(tǒng)檢索增強(qiáng)生成(RAG)技術(shù)受限于語(yǔ)言單模態(tài)處理能力，僅能實(shí)現(xiàn)文本知識(shí)庫(kù)與文本查詢之間的淺層理解，難以滿足復(fù)雜業(yè)務(wù)場(chǎng)景的需求，在實(shí)際應(yīng)用中暴露出兩大缺陷:信息表征缺失:忽略知識(shí)庫(kù)中多模態(tài)富文檔的視覺語(yǔ)義信息，如版面結(jié)構(gòu)、圖表關(guān)?
復(fù)旦大學(xué)與美團(tuán)研究者提出UniToken框架，首次在統(tǒng)一模型中實(shí)現(xiàn)圖文理解與生成任務(wù)的"雙優(yōu)表現(xiàn)"。該方案融合連續(xù)和離散視覺編碼，有效解決了傳統(tǒng)多模態(tài)建模中的"任務(wù)干擾"和"表示割裂"問題。通過三階段訓(xùn)練策略（視覺語(yǔ)義對(duì)齊、多任務(wù)聯(lián)合訓(xùn)練、指令強(qiáng)化微調(diào)），UniToken在多個(gè)基準(zhǔn)測(cè)試中性能超越專用模型。其創(chuàng)新性體現(xiàn)在：1）統(tǒng)一的雙邊視覺編碼
今年2月初，谷歌發(fā)布的Gemini2.0Pro支持200萬(wàn)上下文，震驚了整個(gè)大模型領(lǐng)域。僅過了2個(gè)月，Meta最新開源的Llama4Scout就將上下文擴(kuò)展至1000萬(wàn)，整整提升了5倍開啟千萬(wàn)級(jí)時(shí)代。根據(jù)實(shí)驗(yàn)數(shù)據(jù)顯示，Llama4Behemoth在MMLUPro、GPQA、MATH-500等測(cè)試的數(shù)據(jù)比GPT-4.5、ClaudeSonnet3.7、Gemini2.0Pro更好。
快科技5月2日消息，過往，用戶在通過視頻學(xué)習(xí)并記錄筆記時(shí)，總免不了要不停切換平臺(tái)軟件，暫停、截屏、記錄、插圖、批注、切換返回視頻過程繁瑣而低效。為了應(yīng)對(duì)這種情況，百度網(wǎng)盤和百度文庫(kù)聯(lián)合研發(fā)上線了AI筆記”，支持全自動(dòng)學(xué)習(xí)、半自動(dòng)學(xué)習(xí)、輔助學(xué)習(xí)三種模式。如今只要在網(wǎng)盤里面任意打開一個(gè)學(xué)習(xí)視頻，在右側(cè)就能看到AI筆記”功能，用戶可以自主輸入內(nèi)容，也可以讓其直接生成圖文并茂、結(jié)構(gòu)清晰的筆記。而且每個(gè)重要知識(shí)點(diǎn)旁會(huì)有時(shí)間戳，點(diǎn)擊時(shí)間戳即可跳轉(zhuǎn)到視頻中對(duì)應(yīng)位置，實(shí)現(xiàn)視頻和筆記內(nèi)容的順滑關(guān)聯(lián)。此外AI筆記”還可以幫
多模態(tài)理解領(lǐng)域當(dāng)前已成了各家AI大模型公司“軍備競(jìng)賽”的關(guān)鍵點(diǎn)之一，國(guó)內(nèi)外知名AI大模型公司都爭(zhēng)相通過發(fā)布最先進(jìn)的多模態(tài)大語(yǔ)言模型展現(xiàn)其在多模態(tài)理解領(lǐng)域的前沿能力。近期，上海AI實(shí)驗(yàn)室推出了其最新的多模態(tài)大語(yǔ)言模型InternVL3 系列，相比上一代InternVL2. 5 模型，該模型展現(xiàn)出卓越的多模態(tài)感知和推理能力，同時(shí)進(jìn)一步擴(kuò)展了其工具使用、GUI代理、工業(yè)圖像分析等
現(xiàn)在的國(guó)產(chǎn)AI應(yīng)用，一口氣看好幾分鐘的視頻，都可以直接做推理和解析了!瞧~只需“喂”上一段柯南片段，AI就搖身一變成“名偵探”做剖析:它會(huì)對(duì)整個(gè)視頻的內(nèi)容先做一個(gè)總結(jié)，再按照秒級(jí)，對(duì)視頻片段做內(nèi)容上的推演。商湯科技聯(lián)合創(chuàng)始人楊帆認(rèn)為:銀河通用合伙人、大模型負(fù)責(zé)人張直政表示:除此之外，上海交通大學(xué)副教授閆維新對(duì)這個(gè)問題的看法是:總言之，商湯作為國(guó)?
Llama4重磅發(fā)布了!Meta官宣開源首個(gè)原生多模態(tài)Llama4，首次采用的MoE架構(gòu)，支持12種語(yǔ)言，首批發(fā)布一共兩款:Llama4Scout:共有1090億參數(shù)，17B活躍參數(shù)，16個(gè)專家，1000萬(wàn)上下Llama4Maverick:共有4000億參數(shù)，17B活躍參數(shù)，128個(gè)專家，100萬(wàn)上下文另外，2萬(wàn)億參數(shù)Llama4Behemoth將在未來幾個(gè)月面世，288B活躍參數(shù)，16個(gè)專家。Llama4的橫空出世，成為迄今為止開源最強(qiáng)，多模態(tài)能力最好的模型之一。L
