松下发布多模态大模型，文本、图像、音频随意切换
专注AIGC领域的专业社区，关注微软&OpenAI、百度文心一言等大语言模型的发展和应用落地。介绍多模态生成任务及挑战，并详细阐述了松下开发的OmniFlow多模态大模型及其技术亮点与实验验证结果。
多模态大模型
35%准确率蒸发！字节&华科WildDoc揭示多模态文档理解鲁棒性短板
多模态大模型在文档理解领域的性能显著，但现有基准存在真实场景挑战。字节跳动联合华中科技大学发布首个真实世界文档理解基准数据集WildDoc，揭示了当前模型的不足，并提出改进策略。
上海AI实验室造出首个「通才」机器人大脑：看懂世界+空间推理+精准操控全拿下
上海人工智能实验室联合多家单位提出了一种名为VeBrain的新模型，该模型通过统一感知、推理和控制建模方式实现了多模态大模型对物理实体的直接操控。它在视觉感知、空间推理和机器人控制方面均表现卓越，并且与现有模型相比，在多个基准测试中表现出最佳性能。
全面评估多模态模型视频OCR能力，Gemini 准确率仅73.7%
MME-VideoOCR团队评估MLLM在视频OCR中的能力，构建精细任务体系和高质量数据集，揭示了当前模型的局限性，并提出了优化建议。
字节开源了一款多模态神器！BAGEL上线，超越Qwen2.5-VL，媲美SD3！
字节跳动发布的BAGEL是首个支持多模态输入输出、思维链推理和MOT架构优化的跨模态超级AI模型，性能超越Qwen2.5-VL、InternVL-2.5。它能理解图像更准确，生成图像媲美Stable Diffusion 3，并在10+基准测试中表现优异。
75万元奖金池+心动offer，启元实验室2025重磅赛事来袭，三大赛道，等你来战！
启元实验室启动”启智杯”算法大赛，聚焦卫星遥感图像、无人机目标检测和多模态大模型对抗三大方向。大赛设立75万元奖金池，面向研究机构、企事业单位等开放参赛。
ICML 2025 长视频理解新SOTA！蚂蚁&人大开源ViLAMP-7B，单卡可处理3小时视频
蚂蚁和中国人民大学的研究团队提出ViLAMP模型，实现对超长视频的高效处理。ViLAMP通过混合精度策略，在关键帧上保持高精度分析，大幅提升了视频理解效率，并在多个基准测试中超越现有方案。