在2024世界人工智能大會（WAIC）上，上海巖芯數(shù)智攜Yan1.2多模態(tài)大模型亮相，不僅可以讓大模型在手機、電腦、甚至樹莓派端無損運行，還可以讓機器人準確理解用戶的模糊指令和意圖。
現(xiàn)場，研發(fā)團隊展示了一款部署Yan1.2多模態(tài)大模型的智能機器人“小智”，它能夠基于Yan1.2的語音和視覺處理能力，實時識別環(huán)境、準確理解用戶的模糊指令和意圖，并據(jù)此控制其機械軀體有效完成各類復雜任務。值得一提的是，“小智”機器人搭載的核心硬件是以低算力著稱的樹莓派第五代芯片。在極低算力的設備上實現(xiàn)了強大的多模態(tài)能力。
智能機器人“小智”
比如，“小智”可以根據(jù)“讓一讓，我要放東西”的模糊指令，識別其意圖和行動方向，從而做出相應的避讓動作。當有人問“小智，你現(xiàn)在看到了什么”或手捧書籍邀請“小智”一同看書時，它能夠基于多模態(tài)能力進行學習和創(chuàng)作，比較準確描述環(huán)境和人物特征、學習書籍信息。
（推廣）
特別聲明：以上內容(如有圖片或視頻亦包括在內)均為站長傳媒平臺用戶上傳并發(fā)布，本平臺僅提供信息存儲服務，對本頁面內容所引致的錯誤、不確或遺漏，概不負任何法律責任，相關信息僅供參考。站長之家將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。任何單位或個人認為本頁面內容可能涉嫌侵犯其知識產權或存在不實內容時，可及時向站長之家提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明（點擊查看反饋聯(lián)系地址）。本網(wǎng)站在收到上述法律文件后，將會依法依規(guī)核實信息，溝通刪除相關內容或斷開相關鏈接。
這是《窄播Weekly》的第52期，本期我們關注的商業(yè)動態(tài)是:當大廠的AI競爭策略開始傾斜向應用場景，多模態(tài)能力和代理執(zhí)行成為兩個焦點。大模型落地C端場景的核心，就是讓大模型的能力越來越接近人。沿著這個主旋律，可以劃分出兩個進化方向:一個是持續(xù)降低用戶與大模型進行有效溝通的難度;另一個則是讓大模型具備執(zhí)行更復雜任務的能力。前者的實現(xiàn)，需要給到大模型多
本期《窄播Weekly》聚焦AI大廠競爭策略向應用場景傾斜的趨勢，重點分析了多模態(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交互更自然，具體表現(xiàn)為：1）通過多模態(tài)技術降低用戶使用門檻，如阿里夸克新推出的"拍照問夸克"功能；2）通過代理執(zhí)行提升復雜任務處理能力，如字節(jié)、百度等推出的通用Agent產品。國內外廠商路徑差異明顯：國?
快科技4月16日消息，據(jù)報道，可靈AI在北京舉行靈感成真”2.0模型發(fā)布會，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模型在動態(tài)質量、語義響應、畫面美學等維度保持領先；可圖2.0模型在指令遵循、電影質感及藝術風格表現(xiàn)等方面顯著提升。3月27日，全球AI基準測試機構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（高品質模
在產業(yè)智能化進程中，如何高效融合企業(yè)專有知識資產，構建領域專屬認知引擎，是企業(yè)邁向智能決策與高效運營的關鍵。然而，傳統(tǒng)檢索增強生成(RAG)技術受限于語言單模態(tài)處理能力，僅能實現(xiàn)文本知識庫與文本查詢之間的淺層理解，難以滿足復雜業(yè)務場景的需求，在實際應用中暴露出兩大缺陷:信息表征缺失:忽略知識庫中多模態(tài)富文檔的視覺語義信息，如版面結構、圖表關?
酒店機器人近年成為行業(yè)標配產品，但市場表現(xiàn)不盡如人意。某酒店管理人員坦言，實際運營中發(fā)現(xiàn)機器人配送效率低下，無法真正節(jié)約人工成本，最終選擇棄用。與此同時，市場競爭格局正發(fā)生變化，九號機器人、擎朗智能等新興企業(yè)通過多場景適配和人機協(xié)同等差異化策略，逐步蠶食市場份額。數(shù)據(jù)顯示，2023年全球市場前五名企業(yè)份額差距已不足8個百分點。
快科技4月19日消息，今天上午，全球首個人形機器人半程馬拉松在北京亦莊開跑，21支機器人隊伍與12000名人類選手同場競技，共同挑戰(zhàn)21.0975公里的賽道。據(jù)央視新聞官微介紹，目前天工機器人以36分54秒率先沖線完賽，奪得冠軍。據(jù)悉，天工是北京人形機器人創(chuàng)新中心發(fā)布的純電驅擬人奔跑的全尺寸人形機器人，能以6公里/小時的速度穩(wěn)定奔跑，是該中心自主研發(fā)的通用人形機
復旦大學與美團研究者提出UniToken框架，首次在統(tǒng)一模型中實現(xiàn)圖文理解與生成任務的"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"任務干擾"和"表示割裂"問題。通過三階段訓練策略（視覺語義對齊、多任務聯(lián)合訓練、指令強化微調），UniToken在多個基準測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200萬上下文，震驚了整個大模型領域。僅過了2個月，Meta最新開源的Llama4Scout就將上下文擴展至1000萬，整整提升了5倍開啟千萬級時代。根據(jù)實驗數(shù)據(jù)顯示，Llama4Behemoth在MMLUPro、GPQA、MATH-500等測試的數(shù)據(jù)比GPT-4.5、ClaudeSonnet3.7、Gemini2.0Pro更好。
快科技4月20日消息，日前，全球首個人形機器人半程馬拉松賽在北京亦莊舉行，經(jīng)過21公里的比拼后，天工Ultra以2小時40分鐘的成績率先完賽，奪得首個人形機器人半馬冠軍。據(jù)央視財經(jīng)報道，在人形機器人半馬開跑前夕，科幻小說《三體》《流浪地球》的作者劉慈欣接受專訪。劉慈欣表示，賽事更多的是一種展示，機器人跑步表現(xiàn)它很平衡的跑步移動功能，就像春晚上跳秧歌?
多模態(tài)理解領域當前已成了各家AI大模型公司“軍備競賽”的關鍵點之一，國內外知名AI大模型公司都爭相通過發(fā)布最先進的多模態(tài)大語言模型展現(xiàn)其在多模態(tài)理解領域的前沿能力。近期，上海AI實驗室推出了其最新的多模態(tài)大語言模型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，同時進一步擴展了其工具使用、GUI代理、工業(yè)圖像分析等
