Topic
#multimodal-ai
按主题聚合的新闻视图。
Topic Feed
主题：multimodal-ai
共 4 条
谷歌发布 Gemma 4 12B 多模态模型
谷歌推出了 Gemma 4 12B，这是一款新的中型统一多模态模型，它将视觉和音频直接接入语言模型主干，而不再使用独立编码器。它也是谷歌首个支持原生音频输入的中型 Gemma 模型，目标是在配备 16GB 显存或统一内存的笔记本上本地运行。
Qwen3.7-Plus推动多模态AI走向自主代理
阿里巴巴发布了 Qwen3.7-Plus，这是一款基于 Qwen3.7 的新多模态模型，把视觉理解和代理能力结合在一起。该模型可以读取屏幕内容、操作图形界面和应用、根据视觉模板写代码，并在较少人工干预下完成端到端任务。
Gemma 4 12B 将原生多模态 AI 带到笔记本电脑
Google DeepMind 发布了 Gemma 4 12B，这是一个可在仅有 16 GB 内存的设备上本地运行的开放多模态模型。它可原生处理文本、图像、音频、语音和视频分析，Google 还表示它在基准测试中的表现接近更大的 26B 模型。
字节研究发现问答优于转录训练长文档
字节跳动 Seed 和香港科技大学的研究人员报告称，做长文档理解训练时，多模态模型从问答监督中学到的效果明显优于纯文本转录。基于这一方法，他们在阿里巴巴开源的 Qwen2.5-VL 上构建了 MMProLong，并称其表现超过了更大的开源模型。