术语slug: multimodal-perception

多模态感知

Multimodal Perception

模型同时处理并理解图像、文本等多种模态输入的能力

收录情报动态

共 10 篇 · 第 1/1 页
InfoQ 中文T2·商业与生态
58 分
京东物流发布超脑 3.0 端到端路径规划提速至秒级

京东物流将“超脑”大模型迭代至 3.0,由预测、决策、多模态、时空、具身五大工业级模型组成,宣称实现仓储到配送全链路 AI 指挥,亿级包裹端到端最优路径规划求解时间从分钟级压缩至秒级。该版本强调在复杂约束与低容错供应链场景中形成滚动优化闭环,并计划向制造、零售等行业开放。

IT之家 · 智能时代T2·商业与生态
42 分
亚马逊高管帕奈阐述环境计算愿景:AI 可穿戴设备或终结 App 依赖时代

亚马逊高级副总裁帕诺斯·帕奈在 TechCrunch Disrupt 大会上提出,未来个人 AI 的核心将从应用程序转向能主动感知用户需求的“环境计算”设备。随着新款 Bee AI 可穿戴设备的发布,他强调隐私控制是此类后台运行设备的关键设计原则,并预测智能层将连接多设备形态,而非单一取代智能手机。

TechCrunch AIT2·商业与生态
48 分
亚马逊设备负责人 Panos Panay 提出环境计算愿景:AI 穿戴设备将取代传统 App 交互模式

亚马逊设备业务高级副总裁 Panos Panay 在 TechCrunch Disrupt 大会上阐述其“环境计算”(Ambient Computing)战略,主张通过 Bee 系列 AI 穿戴设备利用传感器与后台智能主动理解用户需求,从而逐步取代当前基于 App 的被动式人机交互。尽管他强调不同硬件形态不会完全互相替代,但认为连接所有设备的统一智能层必须具备极高的实用价值,这标志着科技巨头正试图重构个人 AI 的入口逻辑。

InfoQ 中文T2·智能体与协同
68 分
阿里千问发布无屏 AI 眼镜 N1:44g 轻量机身集成眼动追踪,主打语音交互补全现实世界上下文

阿里千问推出新一代无屏 AI 眼镜 N1/N1 Pro,通过移除显示屏将重量降至 44g,以语音为核心交互方式解决佩戴舒适度痛点。该产品定位为 Personal Agent 硬件,集成 5000 万像素传感器、眼动追踪及体征传感,旨在为 AI 补全现实世界的多模态上下文感知能力。尽管面临网络依赖和端侧解析粗粝等早期挑战,其“减法”设计试图突破当前智能眼镜功能堆砌但活跃度低的行业困境。

The Verge AIT2·开发与工程
42 分
Ray-Ban Meta Audio 眼镜评测:移除摄像头降低隐私顾虑但削弱 AI 多模态能力

The Verge 资深记者 Victoria Song 评测了无摄像头的 Ray-Ban Meta Audio 智能眼镜,指出该设计虽消除了“偷拍”的社会性尴尬(ick),但也牺牲了基于视觉的上下文理解能力。文章强调,纯音频交互在日历同步等基础功能上仍存在体验断层,且复杂的用户协议流程进一步降低了易用性。

InfoQ 中文T2·智能体与协同
68 分
千问发布 N1 Pro AI 眼镜与 Bose 联名耳机:集成虹膜支付与体征监测,拓展 Personal Agent 物理边界

千问于 10 月 13 日发布 N1/N1 Pro AI 眼镜及与 Bose 联名的 AI 耳夹式耳机,将 Personal Agent 能力延伸至可穿戴设备。N1 Pro 首创支持心率、血氧等连续体征监测,并集成眼动交互与误识率低于百万分之一的虹膜核身支付功能;耳机则主打多语言实时翻译与后台任务交办。新品当日开售,旨在通过全天候多模态感知实现主动服务。

InfoQ 中文T2·智能体与协同
78 分
OpenAI 开发者日详解:Dot 智能体实现云端 Linux 自主操作,Decisions API 一周复刻竞品原型

OpenAI 在开发者日发布 Dot 智能体与计算机操作能力,支持在云端 Linux 环境中通过多模态感知(截图、无障碍 API、代码)自主执行浏览器与桌面应用任务。核心突破在于显著提升了智能体的排错与重试机制,并推出受 Jev 启发的 Decisions API,该 API 基于 Luna 权重优化推理系统,实现毫秒级结构化决策返回。尽管技术进展迅速,但在支付等关键操作中的人机责任边界仍未标准化。

Kimi 博客 (月之暗面)T1·基座大模型
25 分
Kimi 发布 PerceptionBench 感知基准

Moonshot AI(Kimi)推出了名为 PerceptionBench 的新基准测试,旨在评估大模型的多模态感知能力。由于提供的正文内容主要为网站导航与页脚信息,缺乏具体的评测方法、数据集构成或初步结果数据,目前仅能确认该基准的发布事实。