谷歌推出Gemini Flash型号的扩展视频理解，将视频代币削减高达88%
Gemini现在导航视频，而不是以1 FPS的速度摄入视频，只加载提示所需的片段。Google推出Gemini Flash模型的抽象视频理解，视频代币削减高达88%的帖子首先出现在MarkTechPost上。
多模态
文本之外的能力：视觉理解、图文混合、音视频输入输出的模型与产品进展。
已收录 293 条 · 近 30 天 218 条 · 第 12 / 13 页
-
-
阿斯特拉的鹈鹕比较网格非常有趣
今天下午我访问了GPT-6 Astra，所以我自然用它来生成骑自行车的鹈鹕的SV--低、中、高、xHigh和最大推理水平（Astra不支持推理=无）。然后我用GPT-5.6 Sol、Terra和Luna在比较网格中渲染了这些鹈鹕，除了有趣之外，结果还出奇地有用。查看网格以获取全质量图像。这是创造GPT-6 Nova鹈鹕的文字记录。这个网格中有一些有趣的东西脱
-
使用Amazon Bedrock AgentCore部署多模式WhatsApp订购助手
了解如何部署多模式WhatsApp订购助理，该助理在单个企业号码上通过文本、语音留言和实时语音呼叫接受客户订单，该助理基于Amazon Bedrock AgentCore和Amazon Nova 2构建。渠道和订购层保持分离，并且一个共享内存识别所有三个渠道中的每个客户。
-
Roland正在与Melody Flip一起涉足生成性人工智能音乐
这并不完全是Suno的“按钮;获取歌曲”，但Roland的新Melody Flip工具标志着该公司进军生成性人工智能音乐。Melody Flip可作为数字音频工作站（RST）的插件，提供大约250个“调色板”，这些“调色板”本质上是按流派排序的音乐创意主题集合。您可以从[.]开始
-
Google的Gemini Spark现在可以管理您的Google照片库
Gemini Spark可以编辑和策划相册、创建共享收藏、将照片转化为日历事件，并为AI Pro和Ultra订阅者处理其他Google Photos任务。
-
完成4000万美金融资，ACE成为AI音乐赛道融资额最高的华人团队
AI音乐公司ACE近日完成近4000万美元新一轮融资，由头部战投、CCV、顺为、Alphaist等机构投资。至此，ACE成为AI音乐赛道融资额最高的华人创业团队之一。 本轮融资将主要用于音乐基础模型研发、全球团队扩张，以及面向大众市场的新产品Miya。 ACE正在打造一个AI-Native音乐平台：通过AI同时重塑音乐的生产与消费，成为AI时代的Spotif
-
金融AI的年度大考交卷了：2万名选手、30+家机构、百亿级数据开源
5000支队伍同台做题，写尽行业四年变化
-
李飞飞刚发Atlas，中国开源“同款”已抢跑半年？
智能不只是模式识别，更是对世界的建模
-
Google DeepMind的WeatherNext 3训练气象站观测，提供5公里全球预报，每小时更新一次
WeatherNext 3接收实时地球同步卫星马赛克，每小时更新一次，并在Search、Gemini、Maps中输出5公里预报。Google DeepMind的WeatherNext 3列车通过气象站观测提供5公里全球预报，每小时更新一次，这篇文章首先出现在MarkTechPost上。
-
先看后合成：用于弱监督密集视频字幕的VLM引导的过渡事件发现
作者：Ye-Chan Kim、Seunghee Choi、SeungJu Cha|弱监督密集视频字幕旨在本地化和描述未修剪视频中的多个事件，每个视频仅提供一组有序的事件级字幕。最近的工作通过LLM合成了辅助过渡字幕，以提供额外的视觉语言对齐，但这些字幕缺乏视觉基础，并且被严格分配给固定位置和Durati的每个活动间间隙
-
介绍 WeatherNext 3，我们最先进、最准确的全球天气 AI 模型
📌 One-Sentence Summary Google DeepMind 推出 WeatherNext 3，这是一款直接基于实时卫星与地面站数据训练的全球天气 AI 模型，可输出最高 5 公里分辨率的每小时预报，降水预报精度相比此前方法提升最高达 60%。 📝 Summary WeatherNext 3 是 Google DeepMind 与 Googl
-
世界生成模型来了3D头部玩家，可进入生产管线的场景级生成时代来临！
单图直出场景，顶会最佳论文落地
-
把 Gemini 和 GPT 放到《我的世界》当教练，谁能看懂机器人的微操？
Gemini 领跑，GPT表现平平，国立清华、英伟达提出双奖励孪生网络，告别算力焦虑。 作者丨 张 璐 编辑丨 幸丽娟 VLM大模型（VLM）在静态视觉与推理任务上已展现出强悍能力。然而在具身智能领域，当模型需要面对复杂的动态交互与机械臂控制时，它们能否准确评估智能体的动作与画面变化，依然是一个待检验的问题。 过去不少人以为，能“看懂画面”就意味着能“当好教
-
打破黑盒猜想：大模型通往真正「空间智能」的破局之路
给模型做一次脑部“CT”，低成本重塑真实空间智能。 作者丨 张 璐 编辑丨 幸丽娟 先来看一道简单的多模态大模型视觉考题： 观察给出的几张室内多视角照片，请回答： 从图 1 的视角来看，蓝色椅面的办公椅右边是什么？ A. 单人沙发以及旁边的一张小桌子 B. 摆着微波炉的桌子 C. 小厨房 D. 蓝色垃圾桶 Qwen2.5-VL-7B 精准选择了正确答案 A
-
这是Flock针对警察的人工智能搜索工具
WIRED根据Flock发送到警察浏览器的代码重建了Flock的最新搜索工具。它的人工智能可以通过多个摄像头监视任何符合书面描述的人。
-
IFA 2026 倒计时 ｜ 魔法原子以“本体+大脑+场景”全栈能力叩开欧洲工业大门
2026年9月4日至8日，全球领先的具身智能公司魔法原子（MagicLab）将亮相IFA2026，完整呈现其"本体硬件、物理AI大脑、场景交付"三层全链路闭环能力，同时面向欧洲企业级市场战略聚焦柔性搬运与物流分拣两大高价值工业场景，展示其作为“端到端工业级具身智能解决方案提供商”的全球化竞争力。 在现场，专业观众与行业买家将有机会近距离观摩MagicBot
-
一个模型场景通吃！它石智航AWE3.7的泛化能力有点狠
从工厂一路干到家庭
-
llm-Gemini 0.34
发布：llm-gemini 0.34 Gemini 3.8 Flash的新款gemini-3.8-Flash，具有低、中、高思维水平。#146修复了Expressc响应未能记录已解析的模型版本的问题。谢谢，查理·托尼斯兰。#137 Google今天发布了Gemini 3.8 Flash（和3.8 Flash Cyber，但仅对“值得信赖的捍卫者”开放）。以下