智客前沿 · 2026-09-09
AWS发布八月重大更新:扩展Amazon Bedrock功能与AI智能体应用
AWS在2026年8月对Amazon Bedrock、AgentCore和Strands Robots进行了多项重要更新,包括支持OpenAI模型的长上下文窗口、跨区域推理、AgentCore的专用计算支持以及Strands Robots的…
智客专题 多模态与视频生成专题
文生图 / 文生视频 / 语音克隆 / 多模态理解的模型横评与生产实践,覆盖 Sora / Veo / Kling / Suno 与开源多模态栈。
· 2026年9月15日 #多模态AI#视频生成#图像生成#多模态#语音生成#语音克隆#Sora#Veo#Kling#可灵#Suno · 30 / 638 篇内容
智客前沿 · 2026-09-09
AWS在2026年8月对Amazon Bedrock、AgentCore和Strands Robots进行了多项重要更新,包括支持OpenAI模型的长上下文窗口、跨区域推理、AgentCore的专用计算支持以及Strands Robots的…
智客前沿 · 2026-09-09
Google DeepMind与电影制作团队合作,利用AI技术重现了一对夫妇未记录的生活片段,制作了短片《Love, Rendered》。这项技术突破展示了AI在视觉内容生成和情感叙事方面的潜力,为电影制作和历史重现领域提供了新的工具和方法…
智客前沿 · 2026-09-09
在阿姆斯特丹举办的IBC 2026大会上,NVIDIA宣布扩展其AI媒体解决方案,并推出NVIDIA Sports Intelligence Playbooks。这些创新旨在通过GPU加速的软件开发工具包(SDK)、微服务、蓝图等,为媒体和…
智客信息 · 2026-09-09
Caption.me近日宣布其AI图像字幕生成系统实现了自主进化能力,能够在不依赖人工干预的情况下持续优化自身性能。这一突破性进展标志着AI图像字幕生成技术迈向新阶段,通过自动化学习和迭代机制,Caption.me能够更高效地适应多样化场景…
智客前沿 · 2026-09-09
Suno公司宣布推出其最新AI音乐生成模型Suno v6,以应对日益增多的版权诉讼。与之前版本不同,Suno v6的训练数据完全基于授权音乐,避免了使用可能引发版权问题的音乐作品。这一举措标志着Suno在AI音乐生成领域的重大战略调整,旨在…
智客前沿 · 2026-09-08
AuK是一款开源的基础模型,旨在统一语音生成与编辑,通过自然语言指令和音频上下文接口实现多任务处理。该模型在构建约30.3亿条指令-音频实例和195万小时有效监督数据的基础上,融合了多模态大语言模型、联合训练的VAE以及混合校正流Trans…
智客前沿 · 2026-09-08
Hugging Face的研究团队提出了一种名为Mask Forcing的新方法,通过Dual-Noise Masking Rollout策略改进自回归视频扩散模型的蒸馏过程。该方法通过在自回归扩散蒸馏过程中引入随机掩码,注入更清晰的信号以…
智客前沿 · 2026-09-08
NeoHorse-1 是一种新型智能体原生模型系列,旨在通过智能体后训练实现递归自改进(RSI)。该系统结合异构模型池与智能路由机制,记录用户交互数据并将其转化为训练样本,通过结构验证和多维度语义评估进行优化。NeoHorse-1 在多个基…
智客前沿 · 2026-09-08
LlamaIndex发布了LlamaParse v3版本,这是一款针对文档解析与智能处理的创新工具。新版本引入了基于plan-act-verify循环的智能OCR技术,支持视觉定位和动态表格处理,能够处理各种复杂文档类型,无需模板维护或训练…
智客信息 · 2026-09-08
Inception Labs推出了Mercury 2.5,这是一款针对扩散模型(Diffusion LLMs)设计的智能系统,旨在提升生成式AI的智能化水平。Mercury 2.5通过优化模型架构与推理流程,在生成质量、效率和可控性方面实现…
智客前沿 · 2026-09-08
OpenAI推出了ChatGPT Images 2.5版本,新增了名为Sketch的草图生成功能。用户可以通过在聊天框中绘制草图并结合指令,生成符合预期的AI图像。这一功能不仅提升了图像生成的个性化与精准度,还简化了用户与AI的交互方式,为…
智客信息 · 2026-09-08
inclusionAI发布了Ling-3.0-flash-VL,这是一款集成了视觉与文本理解能力的多模态AI模型。该模型基于Ling-3.0-flash架构,扩展了图像和视频理解能力,总参数量达1240亿,但每token激活参数仅55亿,支…
智客前沿 · 2026-09-08
OpenAI正式推出ChatGPT Images 2.5版本,该版本旨在将用户的创意、草图和参考图片转化为更加个性化且精美的图像。新版本在图像生成质量、个性化表达以及与用户意图的匹配度方面进行了显著优化,为用户提供了更贴近其想法的图像生成体…
智客信息 · 2026-09-08
Qwen推出了一款针对自动驾驶领域的视觉语言模型Qwen-Drive-1.0-4B。该模型基于预训练的视觉语言模型(VLM),集成了3D感知、视觉问答和运动规划功能。其鸟瞰图(BEV)感知模块可实现3D目标检测、语义占用预测和地图分割,同时…
智客信息 · 2026-09-08
Inception公司推出Mercury 2.5版本,这是一款针对扩散模型(Diffusion LLMs)设计的智能系统,旨在提升生成式AI的智能化水平。Mercury 2.5通过优化模型架构与推理流程,在生成质量、效率和可控性方面实现了显…
智客信息 · 2026-09-08
Mint DZGAPP的研究团队对22GB的AI对话数据进行了深入分析,发现其中71%的内容为截图。这一发现揭示了AI对话中非文本数据的重要性和普遍性,并为AI系统优化提供了新的方向。研究指出,AI对话中大量截图的存在表明用户更倾向于通过视…
智客信息 · 2026-09-08
DeepSeek宣布其最新版本DeepSeek Flash 4.1进入内部测试阶段。该版本采用全新架构设计,支持原生多模态处理能力,并在性能、速度和成本方面实现了显著优化。用户可通过指定模型名称访问该版本,当前定价与DeepSeek Fla…
智客前沿 · 2026-09-08
OpenAI发布了一篇关于AI能力与经济效益的研究性文章,探讨了更强大、更经济的AI如何扩展个人和企业的工作能力,并推动更高效、更经济的增长模式。文章指出,随着AI技术的进步,AI不仅能提升生产力,还能降低使用门槛,使更多企业和个人能够从中…
智客信息 · 2026-09-08
DeepSeek宣布其最新版本DeepSeek V4.1 Flash进入内部测试阶段。该版本采用全新架构设计,支持原生多模态处理能力,并在性能、速度和成本方面实现了显著优化。测试用户可通过指定模型名称访问该版本,当前定价与DeepSeek …
智客前沿 · 2026-09-08
LlamaIndex推出两款创新工具——LlamaParse和LiteParse,旨在解决AI智能体在处理复杂文档时的核心难题。LlamaParse通过云端API提供多层级解析能力,支持复杂文档的精确结构化提取;LiteParse则侧重本地…
智客信息 · 2026-09-08
Reddit用户angelinusbread分享了一种创新的图像处理方法,该方法在保持与GPT-4o直接视觉处理相近准确性的前提下,将图像处理token使用量降低了约95%。该方法在MOMA Graph基准测试中进行了评估,使用了1315个…
智客信息 · 2026-09-08
Reddit用户SEBADA321开源了一个名为BadAppleRNN的小型循环动态系统,该系统能够仅通过单个初始状态(h_0, c_0)自主生成完整的《Bad Apple》视频(6500帧)。该系统采用LSTM风格的循环神经网络和双线性上…
智客信息 · 2026-09-07
DeepSeek发布了其最新版本的多模态AI模型——DeepSeek-V4-Flash-Vision-Exp,该模型集成了先进的视觉处理能力,能够高效生成和优化游戏世界。通过自动生成和修正游戏模型、修复视觉瑕疵、编写动画脚本以及进行游戏测试…
智客前沿 · 2026-09-07
LlamaIndex推出Deep Extraction技术,通过引入代理式验证机制,显著提升复杂文档处理的准确性。传统单步提取方法因缺乏错误检测机制,在处理长文档和多结构化内容时易出错,而Deep Extraction通过迭代提取、验证和修…
智客前沿 · 2026-09-07
Meta AI推出了Muse Spark 1.1,这是其多模态推理模型的最新版本,专为智能体任务设计。该版本在工具使用、编程、多模态理解等方面实现了重大性能提升,尤其在复杂项目处理、跨应用工作流协调以及长上下文管理方面表现出色。Muse S…
智客前沿 · 2026-09-07
Meta AI发布了两款革命性多模态AI生成工具——Muse Image和Muse Video。Muse Image通过精准指令理解、多参考合成和智能工具调用,实现高质量图像生成,并集成了内容溯源水印系统Content Seal。Muse …
智客信息 · 2026-09-07
腾讯发布了两款高性能视觉文档检索模型——EVIE-8B和EVIE-4.5B。EVIE-8B在ViDoRe V3基准测试中以66.75的nDCG@10得分刷新了行业记录,展现了顶尖的检索性能。其高容量4096维表示技术能够精准捕捉文档中的布局…
智客前沿 · 2026-09-07
Kimi团队发布了其最新的大语言模型Kimi K3,这是全球首个开源的3T级模型,具备2.8万亿参数,支持原生多模态能力以及百万级token上下文窗口。Kimi K3在长时编程、知识工作和推理任务中表现出色,尤其在复杂软件开发和科学计算领域…
智客前沿 · 2026-09-07
LlamaIndex推出Agentic Document Processing(ADP),一种基于AI智能体的文档处理技术,旨在实现对复杂文档的精准理解与自动化处理。该技术通过理解文档上下文、推断意图并自我校验结果,显著提升了文档处理的准确…
智客前沿 · 2026-09-07
Kimi团队发布了一款名为PerceptionBench的全新基准测试平台,用于评估多模态大语言模型(MLLMs)的原子视觉感知能力。该平台通过从模型失败案例中提取10种原子感知能力,并构建了3000个经过验证的问题,旨在精确测量模型实际“…