跳到正文

技术方向

多模态 最新动态

文字之外的能力:看懂图片、图文混合理解、音视频输入输出的模型与产品进展。

4 条精选近 30 天 3 条共收录 9 条

更新

多模态的精选

10月28日周三第 1–4 条
  1. Google DeepMind72

    Google DeepMind 发布 Genie 4 世界模型,支持原生音频与实时交互模拟

    Google DeepMind 发布世界模型 Genie 4,增强实时交互模拟的逼真度,支持原生音频、动态对话和自然语言实时修改场景。Gemini 3.8 Flash 在模拟过程中持续观察画面、拆解目标并检查步骤完成情况;模型目前仍存在物体持久性、复杂物理交互和长期一致性等限制。

    推荐理由:Gemini 负责规划与校验、Genie 负责实时生成感官场景的分工,为理解语言模型与世界模拟如何协作提供了具体案例。

10月24日周六
  1. Google Research70

    Google 介绍如何将基础模型应用于全球结核病筛查前线

    Google 介绍了如何通过开源基础模型与合作伙伴将医疗 AI 应用于全球结核病筛查。Google 联合 Nexus AI 将胸部 X 光算法转化为获得欧盟 CE MDR Class IIb 认证的临床工具,在多国医疗机构将筛查周转时间缩短至 45 秒以内。

    推荐理由:文章梳理了医疗基础模型从算法研发、监管认证到本地化落地的完整路径,展现了前沿模型进入公共卫生前线的工程与合规实践。

10月14日周三