标签：多模态模型

一觉醒来，Mistral AI 再次带来了惊喜。今天，Mistral AI 宣布推出其多模态家族的第二位成员——Pixtral Large。这款模型基于 Mistral Large 2 构建，拥有 1240 亿参数，不仅具备强大的图像理解能力，还能处理文档、图表和自然图像，同时保持了 Mistral Large 2 在纯文本理解方面的优势。 除了发布新模型，Mistral AI 还对其免费聊天机器人 le Chat 进行了重大升级，新增了图像生成、网络搜索和交互式画布功能，全面对标 ChatGPT。所有这些功能都以免费测试版的形式开放，引起了 AI 社区的广泛关注。有人感慨道：“六个月前，...

昨天，微软突然发布了一款新的模型，该模型可用于网页自动化操作。微软此举也正式加入了与智谱AutoGLM类似的自主人工智能竞争。而在前天，《The Information》网站上报道了一则消息，标题为“Google Preps AI That Takes Over Computers”，意即谷歌正在准备推出接管计算机的人工智能。上周三，Claude发布；上周五，智谱AI发布；周末，谷歌传出消息；接着是微软。短短一周内，已有四家公司宣布将推出类似产品，其中三家已悄然发布：Anthropic的Claude、智谱的AutoGLM和微软的OmniParser。这些产品的表现令人瞩目。尽管谷歌的消...

阿里国际发布最新多模态模型Ovis，多模态能力再升级 近日，阿里国际AI团队发布了一款名为Ovis的多模态大模型，该模型在图像理解和多种子任务上实现了重大突破，达到了最新的技术水平（SOTA）。Ovis不仅可以识别菜品图并提供烹饪方法，还能为植物诊断疾病、准确翻译手写英文到中文，并且能精准分析财务报表数据。 多模态大模型能够处理不同类型的输入数据，如文本和图像。相较于传统的大型语言模型（LLMs），这类模型不仅擅长处理文本数据，还能处理非文本数据，如图像等。根据多模态权威评测平台OpenCompass的数据，Ovis1....

在如今这个短视频盛行的时代，我们如何能快速创作出全方位理解的视频内容呢？Twelve Labs，一家由年轻工程师Jae Lee和Aiden L在旧金山创立的初创公司，给出了答案。他们开发的产品能在视频中捕捉特定瞬间，整合视觉、音频、文本和上下文信息，实现语义搜索、分析和洞察，旨在构建多模式视频理解的基础设施。Twelve Labs的自研模型已经在媒体分析和精彩片段自动生成方面展现出潜力，并已获得多家顶级风投机构的投资。 视频内容理解正逐渐成为主流趋势，尤其是场景式理解，它能将视频内容精细化处理，提高在社交媒体上的传播...

近日，科技巨头马斯克的创新之作——Grok，现已登陆专业人工智能平台xAI，为用户提供更为全面的功能体验。这款智能工具在其新平台上增设了分支树模式，用户可借此探索多轮对话中的多种可能回应路径，极大地促进了对话流程的理解与分析。对于热衷于人工智能探索的用户，只需通过xAI的IDE入口，便能访问Grok。欲尝试者可访问官网：https：//top.aibase.com/tool/xai-grok，若遇申请需求，按指示操作即可。然而，目前Grok的使用权仅限于X Premium和X Premium+订阅用户。 此外，xAI近期发布的Grok-1.5Vision多模态模型引人注目，...

xAI发布Grok-1.5 Vision：革新多模态模型，引领智能处理新高度 在科技巨头马斯克的支持下，人工智能公司xAI近期持续创新，继Grok-1.5大语言模型后，又推出了全新的多模态模型——Grok-1.5 Vision (Grok-1.5V)。这款先进模型不仅能够理解文本信息，还能解析文档、图表、截图和照片，拓宽了人工智能处理数据的边界。 xAI宣布即将邀请早期用户与Grok现有用户参与Grok-1.5V的测试，展示其强大的多学科推理能力和文档理解力。从官方发布的实例来看，Grok-1.5V能将流程图转化为Python代码，根据儿童画作创作故事，解析流行语，甚至...