术语slug: multimodal-llm

多模态大模型

Multimodal LLM

能同时处理文本、图像等多种数据类型的深度学习模型

收录情报动态

共 23 篇 · 第 1/3 页
新智元 (微信公众号)T2·基座大模型
85 分
中国大模型辅助攻克三维 Ghys 猜想

大湾区大学团队利用中国科学多模态大模型,通过人机协同完成了困扰数学界30余年的三维Ghys猜想证明。北京大学团队使用SHEAF框架对证明进行了形式化验证,确认了其正确性。这标志着中国科学家首次借助国产大模型攻克世界级数学难题,并验证了“专家直觉+机器求解”的新科研范式。

Hacker News AIT2·基座大模型
78 分
2015 年 CNN 在皮肤癌诊断中超越前沿大模型

一项对比测试显示,基于2015年Inception v3架构微调的卷积神经网络在皮肤癌诊断任务上表现优于GPT-6和Claude等前沿多模态大模型。在包含200个活检证实病变的数据集测试中,大模型将恶性黑色素瘤误判为良性病变并建议出院,而专用CNN准确识别了病情。该结果揭示了通用视觉语言模型在特定垂直医疗领域相较于传统专用小模型的局限性。

新智元 (微信公众号)T2·基座大模型
78 分
新基准测试 AI 直觉,人类得分远超最强模型

Scale AI 与 Elorian 联合发布“人类第六感”(HSS)基准测试,专门评估多模态大模型在隐含情境下的直觉推理能力。结果显示,人类平均得分高达 93.1%,而当前最强模型 GPT-6-astra 仅得 53.6%,中位数仅为 30.9%。该研究揭示了现有模型在理解物理世界和社会语境时的显著短板,即缺乏类似人类的快速直觉判断能力。

Rohan Paul (@rohanpaul_ai)T2·智能体与协同
58 分
Bland 推出 iMessage AI 代理:输入网址自动生成品牌客服,支持图像识别与支付

Bland 发布基于 iMessage 的 AI 代理功能,企业仅需提供网站链接即可在 30 秒内生成带有品牌标识和验证徽章的智能客服。该代理具备多模态能力,能解析保险卡、文档等图片信息,并支持在聊天线程中完成预约、支付及发送日历邀请等闭环操作。

The DecoderT2·基座大模型
85 分
Nvidia 开源 Nemotron 3.5 Super VL:120B MoE 多模态模型专为持续运行企业智能体设计

Nvidia 发布并开源了 Nemotron 3.5 Super VL,这是一个拥有 1200 亿参数的混合专家(MoE)多模态大模型,旨在支持后台持续运行的企业级 AI 智能体。该模型每次推理仅激活 120 亿参数,能够高效处理文本、图像、文档和视频数据。此外,Nvidia 还同步推出了两款轻量级 Bolt 系列模型,分别面向本地 PC 和边缘设备场景,进一步扩展了端侧智能体的部署能力。

OpenRouter (@OpenRouter)T1·基座大模型
68 分
NVIDIA Nemotron 3.5 Super VL 上线 OpenRouter:120B 开源多模态模型支持百万上下文与 GUI 视频理解

NVIDIA 推出的 Nemotron 3.5 Super VL 已在 OpenRouter 平台正式可用。这是一款拥有 1200 亿参数(激活 120 亿)的开源多模态大模型,专为长程智能体设计,具备处理文本、图像、文档、GUI 界面及视频的能力,并支持高达 100 万的上下文窗口。

IT之家 · 智能时代T2·基座大模型
86 分
上海 AI Lab 用书生 S2 攻克三维 Ghys 猜想:人机协同证明获形式化验证

上海人工智能实验室团队依托书生科学多模态大模型 S2,通过“通专融合”的人机协同路径成功破解困扰学界 30 余年的三维 Ghys 猜想。北京大学团队利用 SHEAF 框架完成了该证明的形式化验证,确认其正确性。这一突破不仅解决了具体数学难题,更验证了将专家直觉接入机器求解回路的新型科研范式,相关论文与代码已公开。