术语slug: multimodal-understanding

多模态理解

Multimodal Understanding

模型同时处理并关联文本、图像等多种数据类型的能力

收录情报动态

共 11 篇 · 第 1/2 页
IT之家 · 智能时代T2·商业与生态
78 分
国行 Apple 智能上线 iOS 27.3,接入阿里千问模型

苹果在 iOS 27.3 开发者预览版中正式向国行 iPhone 15 Pro 及更新机型开放「Apple 智能与 Siri」功能。该版本通过与阿里巴巴合作,将通义千问大模型深度集成至系统底层,支持实时翻译、写作辅助及视觉智能等核心场景,无需跳转独立应用即可调用。

量子位官网T2·基座大模型
88 分
谷歌发布 Gemini 4 Argon,性能对标 GPT-6 且 API 限时半价

谷歌正式推出新一代旗舰模型 Gemini 4 Argon,在多模态、编程及复杂任务执行上显著提升,第三方评测显示其智能指数与 GPT-6 Astra 和 Claude Opus 5.5 持平。该模型主打高性价比,API 调用成本较竞品低约 39%,并推出限时五折优惠(输入 $2/百万 token),旨在通过价格优势重回大模型第一梯队。

vLLM 官方博客T1·基座大模型
68 分
NVIDIA Nemotron 3.5 Super VL 开源:120B MoE 多模态模型支持长程智能体视觉推理与工具调用

NVIDIA 发布开源多模态大模型 Nemotron 3.5 Super VL,专为长程智能体设计,集成文本、图像、文档及视频理解能力。该模型基于 120B 参数混合专家(MoE)架构,仅激活 12B 参数以平衡精度与效率,支持通过 NeMo 框架进行定制化后训练。vLLM 已实现 Day 0 支持,开发者可直接部署用于需要高精度视觉推理与工具调用的复杂工作流。

IT之家 · 智能时代T2·商业与生态
68 分
苹果 iPhone Duo 国行备案新增通义千问:阿里大模型集成 Apple 智能,折叠屏 10 月发售

苹果 iPhone Duo 国行版备案信息确认将集成阿里巴巴通义千问大模型,作为 Apple 智能在中国市场的核心 AI 能力。该合作旨在为 iOS、macOS 及 visionOS 用户提供无需切换应用的文本与图像生成服务,配合首款折叠屏手机于 10 月 23 日发售,标志着端侧大模型在高端硬件上的落地加速。

vLLM 官方博客T1·开发与工程
68 分
vLLM-Omni 发布 Qwen3-Omni 多阶段推理方案:三阶段流水线与异步优化显著降低音频首包延迟

vLLM-Omni 项目公开了针对 Qwen3-Omni 的多模态大模型在线服务架构,采用 Thinker、Talker 和 Code2Wav 的三阶段流水线设计。通过引入分阶段批处理、CUDA Graphs 捕获及异步块传输等底层优化手段,该方案有效解决了高并发场景下的解码阻塞问题,并显著降低了音频生成的首包延迟(TTFP)。这一实践为全模态模型的工程化落地提供了可复用的性能调优范式。

OpenAI 官方博客T1·基座大模型
78 分
OpenAI 发布 GPT-5.4 mini/nano:小模型性能逼近旗舰

OpenAI 正式推出 GPT-5.4 mini 和 nano,旨在为高并发场景提供极致性价比。GPT-5.4 mini 在编码、推理和多模态能力上显著超越前代,速度提升超 2 倍,且在 SWE-Bench Pro 等关键基准测试中逼近旗舰版 GPT-5.4 的性能。nano 版本则专为分类、数据提取及简单子代理任务优化,主打低延迟与低成本。

Google DeepMindT1·基座大模型
78 分
Google 发布 Gemini 3 Pro:主打智能体与 Vibe Coding

Google 正式推出其最智能模型 Gemini 3 Pro,宣称在 AI 基准测试和编码任务上超越前代。该模型通过 Google AI Studio、Vertex API 及新的 Antigravity 平台提供访问,重点强化多模态理解、视觉推理及“Vibe Coding”能力,旨在降低开发门槛并支持智能体工作流。