多模态AI

金磊 发自 凹非寺 量子位 | 公众号 QbitAI 开年第一个月，国产AI视频生成领域竞争激烈。 AI视频生成圈迎来重磅发布——全球首个能够一次性直接生成16秒音视频的模型。 例如，用它来制作一段真人版《火影忍者》第四次忍界大战的名场面： 从画面、台词到音效，都颇具原版日漫的风格。 制作这段真人剧的模型，正是生数科技最新推出的Vidu Q3。 深度体验后，…

从BERT到Genie：掩码范式如何铺就通往AGI的世界模型之路 从OpenAI的Sora到Google DeepMind的Genie，2025年无疑是世界模型 （World Model） 的爆发之年。 然而，繁荣的背后是概念的混战：世界模型究竟是什么？是强化学习里用来训练Agent的环境模拟器？是看过所有YouTube视频的预测模型？还是一个能生成无限3D…

12月23日 【闭源】通义千问发布图像编辑模型快照通义千问团队发布了 qwen-image-edit-plus-2025-12-15 图像编辑模型的最新快照。该版本在角色一致性、工业设计能力和几何推理能力上相较前代实现显著提升，优化了编辑后图片与原图在空间布局、纹理和风格上的匹配度，编辑效果更为精准细腻，旨在为专业图像处理提供更强大的工具支持。 【开源】Mi…

内容来源 —— “We’re Ahead of Where I Thought We’d Be — Gemini 3 & the Future of AI”观看网址：https://www.youtube.com/watch?v=cNGDAqFXvew 在AI模型性能持续突破的今天，我们或许需要重新审视一个问题：驱动智能进化的，究竟是偶然的算法灵感，…

还记得几个月前那个能随着音乐节拍自然舞动的 KlingAvatar 数字人吗？现在，它迎来了史诗级进化。 近日，快手可灵团队正式发布了 KlingAvatar2.0 技术报告。这一次，数字人不仅能“表演”，更能“生动表达”——它们将拥有更丰富的情感层次、更精准的多角色互动，对复杂文本指令的深度理解能力，以及支持长达 5 分钟的视频生成。目前该模型已经在可灵平…

OCR技术已历经长期发展，关于“文档智能”的愿景也层出不穷。然而，当面对真正复杂的文档材料时，大多数OCR系统的表现往往不尽如人意： 📄 模糊的PDF文件🧮 老旧数学作业纸的扫描件🗂️ 多栏版式的报纸扫描件✍️ 数十年前的手写表格 现有的一些OCR方案在页面干净规整时表现尚可，但一旦涉及文档结构、上下文理解或内容意图，就显得力不从心。 Chandra OCR…

在国内，懂技术 —— 尤其是 AI 技术的年轻人，真的不缺崭露头角的机会。 前段时间，2025 年腾讯广告算法大赛结果揭晓，前 10 名队伍的全部成员都拿到了腾讯的录用意向书，冠军还拿到了 200 万元巨额奖金。 当时，看完选手们的答辩，腾讯公司副总裁蒋杰感慨地说，这届年轻人的知识储备令人惊叹，他们做出来的东西和工业界的实际工作非常接近，没有代差。 如果说大…

01 通过终端控制电脑 把这个开源项目装进电脑，你的终端就成了贾维斯。这个 61K Star 的开源项目通过终端来控制电脑。 Open Interpreter 是一个让 AI 大模型在本地运行代码的解释器，支持运行 Python、JavaScript、Shell 等语言，直接运行在你的终端里。 通过和它对话，它可以访问互联网，不仅仅是 Bing 搜索，而是完…

12月15日 【闭源】 字节跳动发布豆包 doubao-seed-1-8-251215，在Agent能力、多模态理解和上下文管理三大方面实现突破。其工具调用、复杂指令遵循和操作系统代理能力大幅增强；视觉理解基础能力显著提升，支持低帧率理解超长视频，在视频运动理解、复杂空间理解和文档结构化解析能力上全面升级；原生支持智能上下文管理，可配置上下文压缩策略，在任务…

声音的“外科手术刀”：SAM Audio如何用多模态提示重塑音频编辑的未来 当Meta在深夜悄然发布SAM Audio时，音频处理领域迎来了一场静默的革命。这不仅仅是一个新的技术模型，而是一个能够理解人类意图、响应自然交互的智能音频编辑系统。在AI技术不断突破边界的今天，SAM Audio的出现标志着音频处理从工具化向智能化的根本性转变。 想象一下这样的场景…