标签: 多模态
清除筛选
LensVLM-9B 技术解读：Apple 把长文档压成图片给 AI 读，4.3 倍压缩不掉点
9 月 22 日，Hacker News 上一个标题拿到 393 分热度：「Claude discovers a novel enzyme system」。点进去会发现链接指向的是 Apple 在 Hugging Face 上新放出的模型权重：LensVLM-9B。这个时间点适合作一个参照：同一个 9B 视觉语言模型（Vision Language Mode…
FLUX 3：Black Forest Labs 的多模态模型与机器人野心
2026 年 7 月 23 日，Black Forest Labs（BFL）发布了 FLUX 3，这是这家德国 AI 实验室首个多模态基础模型。FLUX 3 将图像、视频和音频的训练统一到同一架构下，并能扩展到机器人动作预测。视频能力是这次发布的核心：单个提示词可生成最长 20 秒、带原生音频的 720p 视频片段。 FLUX 3 目前处于 Early Ac…
字节跳动开源 Lance：3B 参数统一图像视频理解生成与编辑
字节跳动发布 Lance，一个仅 3B 激活参数的轻量级原生统一多模态模型，在单一框架下同时支持图像理解、视频理解、图像生成、视频生成和跨模态编辑五种任务。模型使用 Apache 2.0 许可，权重已在 Hugging Face 开放。 Lance 模型概览 
DeepSeek 发布视觉基元推理报告，用点和框解决多模态 Reference Gap
2026 年 4 月 30 日，DeepSeek 公开技术报告《Thinking with Visual Primitives》，提出一种新的多模态推理范式——将点（point）和框（bounding box）等视觉基元作为思维的最小单元，交错嵌入推理链中。 问题：Reference Gap 当前多模态大模型虽然在「感知差距」（Perception Gap）…
NVIDIA Nemotron 3 Nano Omni：一个开放模型统一视觉、音频和语言
NVIDIA Nemotron 3 Nano Omni：一个开放模型统一视觉、音频和语言 4 月 28 日，NVIDIA 发布 Nemotron 3 Nano Omni，一个开放权重的全模态理解模型，将视觉、音频和语言处理统一到单一架构中。模型采用 30B-A3B 混合专家（MoE）架构，总参数 300 亿，每个 token 仅激活 35 亿参数，支持 25…
智谱GLM-5V-Turbo：首款原生多模态编程基础模型
4月2日，智谱AI（Z.ai）发布GLM-5V-Turbo，首款原生多模态编程基础模型。模型原生支持图像、视频、文本等多模态输入，上下文窗口200K，最大输出128K tokens。 模型定位 GLM-5V-Turbo的定位很明确：一个"看得见、写得出"的编程模型。它不是在文本模型上嫁接视觉能力，而是从预训练阶段就做多模态融合，CogViT视觉编码器与MTP…
