Tag: multimodal

All the articles with the tag "multimodal".

• 7.3

  Image Generators are Generalist Vision Learners

  2026年04月23日

  · arXiv cs.AI· 04/23 14:32 采集

  图像生成模型是通用的视觉学习者——提供生成式预训练涌现视觉理解能力的系统性证据，挑战生成/理解二分法。

• 5.0

  ChatGPT's new Images 2.0 model is surprisingly good at generating text

  2026年04月22日

  · TechCrunch· 04/22 04:32 采集

• 6.5

  HKUDS /RAG-Anything

  2026年04月21日

  · GitHub Trending· 04/21 20:34 采集

  香港大学数据科学团队出品的多模态 RAG 框架，支持任意类型文档的检索增强生成。

• 7.4

  VLM 真的需要 Vision Transformer 吗？SSM 视觉编码器表现更优

  2026年03月21日

  · arXiv· 03/21 14:45 采集

  系统性评测发现，在匹配的 ImageNet 初始化条件下，SSM 视觉编码器在 VQA 和定位任务上全面优于 ViT

• 7.3

  Nemotron 3 Content Safety 4B：支持多模态多语言的轻量级内容审核模型

  2026年03月21日

  · Hugging Face Blog· 03/21 02:45 采集

  NVIDIA 基于 Gemma-3 4B-IT 微调的内容安全模型，支持文本+图像联合审核、140+ 语言，使用 LoRA 适配保持轻量。

• 7.5

  Google Maps 推出「Ask Maps」——Gemini 驱动的自然语言地图问答

  2026年03月16日

  · CNBC

  Google 在 Google Maps 中集成 Gemini，推出 Ask Maps 功能，支持用自然语言问「地图本来无法回答的问题」，同时引入 3D Immersive Navigation 驾驶模式。

• 8.0

  Google 发布 Gemini Embedding 2——首个原生多模态 Embedding 模型

  2026年03月13日

  · Google Blog

  Google 推出 Gemini Embedding 2，首个同时覆盖文本、图像、视频、音频的原生多模态嵌入模型，支持 8K 上下文和 100+ 语言，已上线公开预览。

• 8.0

  Luma 推出创意 AI Agent，背后是全新「统一智能」模型

  2026年03月12日

  · TechCrunch

  Luma AI 发布 Luma Agents，基于全新 Unified Intelligence 模型，能协调文本、图像、视频、音频多个系统，端到端完成创意工作。

• 7.5

  Google 发布 Gemini 3.1 Flash Lite：最快最省钱的 Gemini 3 系列模型

  2026年03月03日

  · Build Fast With AI

  Gemini 3.1 Flash Lite 于 3 月 3 日正式上线 Google AI Studio 和 Vertex AI，支持 1M token 上下文、多模态输入，速度比 2.5 Flash 快 2.5 倍。