与「多模态大模型」相关的搜索结果

🎁 免费福利再加码！小米 MiMo-V2.5 现已开启全量免费！ 作为小米开源的原生全模态旗舰模型，MiMo-V2.5 采用 310B 稀疏 MoE 架构，支持文本、图像、视频与音频全模态输入，具备 1M 超长上下文与极速响应能力，专为多模态 Agent、音视频分析及通用编程等实战场景打造。 现已在 API 官方组开启全量免费调用，0 成本即可解锁小米前沿全模态大模型的硬核实力！ 👉 立即免费体验：

谷歌最近出啥问题了？接连损失大将。刚刚杰夫.迪恩宣布从谷歌离职创立Discovery Loop。这位非常不简单，杰夫.迪恩是计算机科学与人工智能领域的传奇人物，被誉为“谷歌的系统架构总设计师”和硅谷“程序员中的程序员”。 1、杰夫离职前担任谷歌首席科学家兼任 Google DeepMind 和 Google Research 的核心技术领袖。是Google Senior Fellow/Level 11，在谷歌数十万员工中，能达到 Level 11 的极度罕见，几乎代表了整个谷歌技术体系的终极权威。 2、Jeff Dean在谷歌工作27年，其职业生涯贯穿了互联网海量数据处理时代与现代人工智能时代，其核心成就可分为三大阶段： 1）奠定现代互联网基础的基础设施（2000年代） 在谷歌成立早期，他主导开发了一系列支撑起整个 Google 生态（乃至全行业大数据架构）的基础系统： MapReduce：划时代的分布式计算框架。它将庞大的数据处理任务拆分到数万台普通服务器上并行运行，是后来的 Hadoop 等大数据技术的直接灵感来源。 Bigtable：高扩展性、高性能的分布式结构化数据存储系统，直接催生了后来的 NoSQL 数据库浪潮（如 HBase）。 Spanner：全球级分布式 SQL 数据库，打破了传统数据库“一致性”与“可用性”难以兼得的困境。 搜索与广告系统架构：主导设计了谷歌早期的五代搜索索引与抓取系统，以及 AdSense 广告投放系统的早期基础设施。 2）推动 AI 革命与深度学习生态（2010年代） 创建 Google Brain（谷歌大脑）：2011 年与吴恩达（Andrew Ng）等人共同创办 Google Brain，将深度学习引入谷歌的核心业务。 TensorFlow：主导打造并开源了全球最著名的深度学习框架之一 TensorFlow，极大地降低了全球研究者和开发者使用 AI 的门槛。 DistBelief & Pathways：先后设计了 DistBelief（早期大规模分布式神经网络训练系统） 和 Pathways 架构（为后续训练 PaLM、Gemini 等超大规模多模态大模型奠定了系统支撑）。 3）整合与领军时代（2020年代） 统领 Google AI 与 DeepMind 融合，杰夫曾长期担任 Google AI（Google Research）负责人。2023 年 Google Brain 与 DeepMind 合并为 Google DeepMind 后，他作为首席科学家，重点统筹下一代超大模型（如 Gemini 系列）的系统架构与前沿 AI 研发。 前段时间谷歌还有两位大拿离开： 1）Google DeepMind 副总裁 John Jumper跳槽至 Anthropic，这位因带领团队打造预测蛋白质结构的革命性 AI 模型 AlphaFold，与 Demis Hassabis 共同获得 2024 年诺贝尔化学奖。 2）谷歌工程副总裁兼旗舰模型 Gemini 联合负责人Noam Shazeer跳槽至 OpenAI。 Noam Shazeer 是Transformer 架构奠基人之一：2017 年奠定现代大模型基础的划时代论文《Attention Is All You Need》的共同作者。 前线厮杀正浓，统兵大将接连离开，对谷歌影响应该不小。

搞自动化和爬虫的兄弟可以把之前的方案扔了。 GitHub 上突然爆火了一个开源项目 Index（由 AI 开发者平台 Laminar 团队打造），直接把网页浏览器变成了可调用的 API。这玩意本质上是一个极度丝滑的“AI 浏览器 Agent”，你在终端输一句人话，它就能像真人在浏览器里点按、抓数据、填表单，甚至跨站点联动办完一整套复杂流程。在 WebVoyager 跑分里直接飙到了 92% 的惊人准确率。 一句命令就能跑：pip install 之后敲 index run 就能直接在终端调用。 能直接用本地 Chrome：带 --local-chrome 参数，自动复用你已登录的账号状态。 顶配视觉推理引擎：原生支持 Claude 3.7 Sonnet、Gemini 2.5 Pro 等顶尖多模态大模型。 全程会话回放与排错：自带开箱即用的可视化录屏与步骤 Trace 监控。 自动抓取并生成表格：一句话搞定“去网站抓数据并新建 Google Sheets 写入”。 📦 开源协议：Apache-2.0 🔗 GitHub 传送门：

Kimi-K3 全方位实测! 我竟然打游戏输给了她?! 给大家带来Kimi-K3全方位编程能力实测! 包含前端, 后端, Agent能力. 并且包含现有SOTA级别模型横评! 这次 Kimi-K3 交了一个让我都意想不到的成绩, 甚至让我怀疑Scaling Law还远未结束! 下一个是不是要出10T参数量的模型! 本次测试直接把我几个测试集都要打到头了, 前端测试是淘汰的最快的, 我还以为这几个能撑下半年, 结果现在就撑了2个月. 后端的向量数据库测试大概还有几个算法变种可以优化, 然后就到头了, 除非未来的模型能自己发明新算法(那这妥妥AGI了). 测试唯一还需要提升的是Agent能力, 当然不是说Agent能力不行, 而是距离榜首还有一些提升空间. 总之, 现在唯一需要考虑的是, 完了, 又一个 CodingPlan 套餐要断货抢不到了.... #kimik3# #月之暗面# #AIAgent# #多模态大模型# #VibeCoding# #VibeGaming#

Thinking Machines发布Inkling：Mira Murati团队的首个开源多模态大模型 975B总参数、激活41B的MoE架构，Apache 2.0协议，支持文本、图像、音频输入，输出文本。 跑分处于开源第一梯队中上游，HLE带工具46.0%、SWEBench Verified 77.6%、GPQA 87.2%，与Kimi K2.6、DeepSeek V4 Pro同档，距离闭源模型还有差距。 这是首个1T参数级别的开源多模态模型，且支持在自家Tinker平台做微调定制。 模型：

最近当大家都在刷屏Fable 5和GPT-5.6 的时候， 殊不知腾讯已经悄无声息的把大模型能力给追上来了。 你们知道腾讯低调到什么程度吗？ 前几天发布的Hy3 ，21B的激活参数已经可以打平旗舰水准，并且直接塞进微信10 亿+用户手里 ， 这才是国产大模型真正的王炸啊兄弟们！ 说实话周一刷到 Hy3 发布消息那会儿， 我第一反应跟很多人一样：又一个卷参数的国产模型？ 趁着周末有空，我仔细翻了一圈资料， 发现完全不是这么回事。 原来@TencentHunyuan这个模型从一开始就不是朝着聊天模型去的，人家的定位就是奔着干活去的 Agent 向 LLM。 另外最反直觉的是它的推理效率，295B 总参数， 实际激活只有 21B 的 MoE 架构， 就能打平参数是它 2 到 5 倍的旗舰模型， 这事儿我琢磨了一下，其实有点像团队管理， 并不是说人越多产出越高， 关键得看真正干活的那几个人靠不靠谱。 为什么这个效率重要呢？ 你想想微信每天服务 10 亿人， token 成本多一厘都是天文数字， 21B 激活还能打出旗舰水准， 我觉得这才是它能被规模化铺开的根本原因， 跟刷榜没半毛钱关系。 说到刷榜，我仔细研究之后这个版本还真不是， 从 preview 到正式版，Hy3 是Hunyuan团队拿了50 多个真实业务的反馈不断迭代出来的，内部 WorkBuddy 任务成功率从 72% 干到 90%，耗时降了 34%，幻觉和常识错误全往下掉。 我原来以为 Agent 的核心是想得多深， 后来发现真正决定能不能上生产的，是稳不稳， 比如工具编排会不会中途崩，出错了能不能自己爬回来，换个框架差不差太多等等， 就是这些不起眼的东西， 才是能跑完一整套 workflow 不掉链子的关键。 当然实际测试下来Hy3 也有短板， 比如纯视觉它还不够强，不过腾讯也有单独的多模态大模型线，它能打的主要还是 coding、办公、复杂任务规划这几块。 最后说个我的一个判断：就是接下来大模型拼的可能不是谁参数更大了，核心看谁能把干活的能力以最低摩擦送到更多人手里，比如Hy3 我理解它可能不是一个更会聊天的模型，更像是一个更会干活的 Agent 底座。 话说回来，腾讯这步棋确实走得挺狠， 我觉得国产大模型的拐点真的要到了， 下方视频是我用Hy3跑的几个测试案例， 分别让它做了一个介绍自己的HTML网页， 一个我的认知系统agent网页， 和做了一个10页的PPT，都很惊艳，大家可以感受下， 会干活、会自检、还会主动说自己哪没做到位， 我觉得这才是 Agent 时代，真正能用的模型该有的样子hh～ #Hy3# #Hunyuan# #TencentAI#

不知何时开始，闲鱼上已经很难捡到个人闲置高性价比的商品，Mac Mini、iPhone手机都是专业二道贩子在卖。 刚才在 GitHub 上我发现了这个开源项目，才知道咸鱼捡漏已经用上科技了。 这是一款基于 Playwright 和 AI 开发的闲鱼多任务实时监控与分析系统，可以多维度帮你找到你想要的二手物品。 项目地址： 核心功能 Web 可视化管理：配有完整的后台界面。任务配置、账号管理、标准编辑、运行日志以及结果浏览，均可在线直观操作。 AI 智能驱动：支持多模态大模型分析。不仅能识别文字，还能看懂商品图片并分析卖家画像。使用自然语言输入需求，即可创建监控任务。 多任务与高级过滤：支持多任务并发，各任务独立配置关键词。提供价格区间、包邮、发布时间范围、省市区三级区域等高级筛选。 多账号与代理轮换：支持多账号管理与代理池轮换，具备失败重试机制，降低封号风险。 定时调度：支持 Cron 配置，可按设定周期自动运行。 即时通知：支持 Bark、Telegram、企业微信、 等多种渠道，匹配成功第一时间推送至手机。 容器化部署：支持 Docker 一键部署，也支持本地 pip 安装运行。 如果经常需要在闲鱼寻找特定商品，可以尝试搭建这个工具协助筛选。

兄弟们，我一直有个判断：OCR 这种活，早晚会被多模态大模型给吃掉。 这周看到百度发的 PP-OCRv6，我改主意了。 一个 1.5MB 的模型，能直接塞进浏览器里跑，单图最快 97 毫秒就能出结果，逐字识别的准确率还反超了 GPT-5.5、Gemini-3.1-Pro 和 235B 参数的 Qwen3-VL，我有点震惊了！ 对做产品的人来说，这比「又一个 SOTA」重要得多。我有测试，先往下看 👇

冷知识： 目前多模态大模型创业的具体落地方向通常有如下方向，如果都不是你感兴趣的话，还是别赶时髦，乖乖回去学AI coding吧 ： 1. 游戏 AI NPC / 智能体中间件（如端云协同的 OmniNPC，赋能 3D 角色交互与情感叙事） 2. 企业级多模态 Agent（如面向复杂文档、视觉流分析、跨系统 RPA 的智能体） 3. 多模态内容生成与创意工具（如 AI 视频、短剧生成、电商营销图视频设计） 4. 具身智能与机器人控制（如基于多模态物理感知与动作生成的端到端控制系统） 5. 视觉/多模态代码与设计助手（如 UI 截图一键生成高质量代码、交互式产品设计）

🎉 重磅揭晓：DeepSeek 官方调价， 叠加再打 1 折！ DeepSeek 官方全新发布原生多模态 MoE 大模型 DeepSeek-V4.1-Flash。借此契机， 宣布：将在 DeepSeek 官方新价格的基础上再叠加 1 折（直接省 90%）！您仅需支付官方价格的 10%，即可享受极致性价比的顶尖算力。 🗓️ 权益生效时间：9 月 12 日 10:00 (SGT) 💡 自动路由说明： 将逐步把 DeepSeek-V4-Flash 和 DeepSeek-V4-Flash-Vision-Exp 的 API 请求平滑无缝路由至 DeepSeek-V4.1-Flash，无需复杂配置。您也可以直接配置指定接入 DeepSeek-V4.1-Flash 立即享用。