AITOP

多模态

共 693 条相关 AI 资讯 · 查看话题观测
8月4日
06:30
8月3日
16:39
16:14
15:14
14:45
14:08
13:30
13:30官方账号阿里通义 Qwen@Alibaba_Qwen
阿里巴巴Qwen在X平台发布Visual Agentic Intelligence，推文展示相关视频，获得142次点赞和2.8万次浏览。该命名暗示Qwen正在推进视觉与智能体结合的技术方向。目前除了标题和视频外，Qwen未给出更多技术参数。
AI模型Qwen视觉智能智能体
推荐理由：Qwen官方发了个视觉智能体的视频，具体演示内容还不清楚，但可以去看看这条新动态。
原文
12:36
12:36小互@imxiaohu
72°
Qwen3.8-Max 总参数量 2.4T、激活参数 95B，官方宣布下周开源，是 Qwen Max 系列首次开源。它在 oh-my-cli 项目中自主运行 16 天完成无人编程，并在电商多模态意图识别竞赛中提交 45 次，准确率从 0.60 提升到 0.853，击败 458 支队伍。在 365 天模拟电商经营中，模型实现 4.16 倍资金回报，净赚超 10 万元。它还花 125 小时写 7,600 行代码复现论文，并在 AIME24 上反超原论文 2.71 分。视觉与多模态方面，模型支持分析 100+ 小时长视频，并能通过 Hybrid Agent 编程与 GUI 操作复刻应用。
AI模型Qwen3.8-Max开源模型智能体
推荐理由：Qwen Max 首次开源，2.4T 参数下周见；它能自己跑 16 天干活，还拿过 4.16 倍回报。
原文
12:24
11:13
11:11
10:57
10:57IT之家（博客/媒体）
MiniMax 于 8 月 3 日开源新一代通用视频模型 H3，支持文本、图像、视频、音频统一理解与生成。H3 可输出最高 2K 分辨率、15 秒时长、32kHz 立体声音频的视频，帧率为 24 FPS。其输入规格包含 H3-Base-FL2VA 首尾帧模式和 H3-Base-Ref2VA 全模态参考模式，后者最多支持 9 张图像与 3 段视频。H3 稳定支持中英阿法等 11 种语言，完整系统由 H3-Context-IR、H3-Base 和 H3-Regenerate-2K 三模块组成。
AI模型MiniMaxH3视频生成
推荐理由：MiniMax 把能处理多模态上下文的视频模型直接开源了，最长生成 15 秒 2K 带立体声的视频，比一般文生视频强在能看懂图片、音频和视频混合输入。
原文
10:47
10:35
10:35IT之家（博客/媒体）
阿里巴巴今日发布千问 Qwen3.8-Max，参数规模达 2.4 万亿。官方称其在编程、真实办公、长程任务与多模态智能体方面实现提升。该模型能以极少人工介入端到端完成复杂开放目标。模型权重将于下周开源。
AI模型Qwen3.8-Max阿里巴巴智能体
推荐理由：千问新模型 Qwen3.8-Max 有 2.4 万亿参数，编程办公更强，端到端自主干活，下周还开源。
原文
10:30
10:29
10:25
10:25官方账号arXiv cs.AI@Jeffrey M. Girard, Jason Z. Zheng, Jacqueline R. Vertino, Antony D'Avirro, Benjamin Peloquin
FriendBench 是一个新基准，要求从20秒破冰对话片段判断两人是否熟识。研究对比了7家公司的26个模型与人类受试者在96组对话上的表现。最佳模型与人类在准确率上无显著差异，但模型更倾向于回答“陌生人”。音频和视频信息对模型和人类的好处不同，只有人类能从可见行为中获益。论文公开了全部刺激材料、人类评分和模型预测。
论文FriendBench多模态LLM
推荐理由：试试看这个新基准，FriendBench测AI能不能从20秒对话看出两人是不是熟人。最强模型和人类打了个平手，但AI有偏见：拿不准就说是陌生人。
原文
09:33
09:33官方账号arXiv cs.LG@Carlos Rodriguez-Pardo, Massimo Tavoni
TerraNova 是一个面向人类世的地球与社会耦合基础模型，在 arXiv 2607.29527 发布。它用 1,024 条记录训练，其中 512 个格点化地球系统场和 512 个国家指标。跨模态 Transformer 融合位置、国家、时间和任务，两个对比目标分别对齐国家与境内坐标、预训练地理空间嵌入。TerraNova 在消费级硬件上数分钟内即可重构稀疏观测的密集场并适配未见变量。与专用地理空间编码器相比，TerraNova 还覆盖时间、海洋和不确定性维度。
论文TerraNova地球系统模型多模态
推荐理由：TerraNova把地球和社会数据一起训练，能几分钟适配新变量，比地理模型多覆盖海洋和不确定性。
原文
08:53
01:23
8月2日
14:11
14:10
12:14
8月1日
21:56
16:33
09:41
03:20
02:10
01:51
00:15
7月31日
21:17
18:14
16:45
15:44
15:38
13:14
13:14官方账号arXiv cs.AI@Zongyi Chen, Yu Liang, Jie Lin, Liansheng Wang
PathVU是一个面向病理图像细粒度多尺度视觉理解的基准，基于23个公共病理数据集构建，包含14个VQA任务、61,673张图像和308,070个样本，覆盖28个器官。该基准通过Region FOV和Slide FOV两种视野，评估模型的区域定位、视觉识别、数量估计、空间推理和上下文不足判断能力。对18个通用、医学和病理专用的多模态大语言模型评测显示，现有模型在细粒度视觉任务上存在明显局限。
论文PathVU病理图像多模态
推荐理由：PathVU这个新基准测了18个多模态模型，发现它们在病理图上连定位和数数都容易出错，搞医学AI的值得看看。
原文
12:29
12:29Hailuo AI@Hailuo_AI
MiniMax H3 在 Artificial Analysis 视频编辑排行榜位列第一，文本转视频排名第二，图像转视频排名第三。该模型支持输入文本、图像、视频和音频，生成 5-15 秒 24fps 带原生音频的片段，2K 视频定价为每秒 0.13 美元（每分钟 7.80 美元）。其价格低于 Dreamina Seedance 2.0 的每分钟 22.45 美元、HappyHorse-1.1 的 9.90 美元和 Kling 3.0 的 20.16 美元，但高于 Google Gemini Omni Flash 的 6.00 美元。MiniMax 计划以社区许可发布权重，营收低于 2000 万美元的组织可商用，需显著署名。当前该模型已在 Hailuo AI app 和 MiniMax API 提供。
AI模型MiniMax H3HailuoArtificial Analysis
事件专题
推荐理由：视频编辑直接登顶的 MiniMax H3，带原生音频，价格不到 Kling 的一半，还说要开源权重，做视频的可以试试。
原文
11:52
11:52官方账号arXiv cs.AI@Simone Giano, Lorenzo Severini, Alessandro Galdelli, Adriano Mancini
该论文针对灾难管理场景的视觉语言模型数据需求，从仅含图像的Incidents1M数据集中恢复了10万张图像，并使用Qwen3.5-4B和Qwen3.5-35B-MoE两种架构生成文本描述。为验证描述可靠性，作者提出图像不可见的LLM-as-a-Judge流水线，用Qwen3.5-9B模拟无数据蒸馏中学生的模态差距。在173,179个标签对上的评估显示，两种架构的语义一致性得分78.65/100，自动评估发现高精确率（77.6%）和低召回率（46.0%）的保守描述行为。该工作提供了可扩展的LLM验证多模态数据集，并揭示了原始标注中的人类不一致性。
论文TheiaIncidents1MQwen3.5
推荐理由：想把纯图片的Incidents1M变成图文对？这篇用Qwen3.5做生成和验证，10万条描述加自动打分，干活靠谱。
原文
10:06
10:06IT之家（博客/媒体）
MiniMax 推出 H3 全模态生成模型，支持文本、图像、视频、声音的统一理解，并可输出原生双声道音视频。该模型最高支持 15 秒 2K 分辨率输出，在指令遵循、文字呈现和 V2V Motion Transfer 等任务上表现突出。MiniMax H3 新增 Caption 能力，大部分素材消耗约 100K Token 推理，最终平均输出约 4K Token。其 2K 视频不依赖常规超分模块，而是由 H3 基础模型对低分辨率结果进行 in-context 重新生成。模型权重将在未来几天内开放。
AI模型MiniMax H3MiniMax视频生成
事件专题
推荐理由：MiniMax 发了新模型 H3，可生成带双声道音效的 2K 视频，超分用模型自己重画而非传统模块，过几天开源权重。
原文
06:03