hiw3c 日报精选

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 8 / 13 页

星期六 · 11 条
  2. The Decoder国际媒体22:30快照

    Qwen 3.8-Omni-Flash在与多模式基准相匹配的同时，削弱了Google的Gemini Flash定价

    Qwen 3.8-Omni-Flash是Qwen第一个为人工智能代理设计的多模式模型。它一起处理音频和视频，并独立使用工具编辑vlog、翻译剪辑或总结电影。在音频视频基准测试中，它几乎与Gemini 3.8 Flash相媲美，API成本仅为一小部分。Qwen 3.8-Omni-Flash文章削弱了谷歌的Gemini Flash定价，同时与其多模式基准相匹配，

    快照阅读原文 ↗
  3. BestBlogs·每日早报BestBlogs 精选14:00中文原文

    EP180 · 研发进度指标、业务评测、端到端交付 · 09-19 早报

    📝 今日导语 从前沿实验室的研发指标，到大淘宝的评测治理、菜鸟的端到端交付，读出 Agent 落地的观察口径与实施路径。 🏷 今日关键词： Anthropic 研发指标 业务评测治理 端到端 Agent 397B Agent RL Claude 生物建模 MCP Apps 📰 今日精选内容 理解前沿实验室 AI 研发进度的衡量指标 anthropic.com

    原文 ↗
  9. MarkTechPost国际媒体05:21快照

    Jina AI发布jina-ocr-v1：3.4B MoE文档解析器，具有针对低预算图形处理器的内置推测解码

    Jina AI发布了jina-ocr-v1，这是一款视觉文档解析器，可将PDF、扫描、表格、图表和发票转换为Markdown。该模型的总参数为3.4B，每个代币的活跃参数约为5.7亿，并构建在DeepSeek-OCR之上。内置的FastRTP推测解码头每步起草3个令牌，同时保持输出无损。它在OmniDocBench v1.6上的得分为91.14，在olmOC

    快照阅读原文 ↗
  11. AWS ML Blog海外官方00:52快照

    在亚马逊Bedrock上介绍Kimi K3

    Moonshot AI的Kimi K3现已在Amazon Bedrock上提供，为您提供强大的新开放重量选项，用于编码和知识工作。它提供了原生视觉，100万个令牌上下文窗口和显式提示缓存，以减少延迟和输入成本。

    快照阅读原文 ↗

星期五 · 6 条
  3. BestBlogs·AI 高分精选BestBlogs 精选11:16中文原文

    Qwen 发布 Qwen3.8-Omni-Flash：一款具备智能体能力的全模态模型

    📌 One-Sentence Summary 阿里巴巴 Qwen 推出 Qwen3.8-Omni-Flash，这是一款原生音视频全模态模型，具备智能体能力、1M 上下文窗口，并大幅降低了视频输入成本。 📝 Summary Qwen 发布了首款专注于智能体能力的全模态模型 Qwen3.8-Omni-Flash。该模型集成了原生的音视频理解、推理和工具调用能力，

    原文 ↗
  4. arXiv cs.AI/CL/LG信号源（脚本内置抓取）01:59快照

    FAMOS：基于稀疏观测的前向3D关节建模

    作者：Kevin Qu、Tao Sun、Massimiliano Viola|从稀疏的单目视图中建模关节对象具有挑战性，因为每次观察仅揭示部分几何形状和运动证据。大多数前向方法从单个观察中推断清晰度，因此严重依赖于学习到的类别级形状先验。我们提出了FAMOS，这是一种前向模型，可以从稀疏、

    快照阅读原文 ↗
  5. arXiv cs.AI/CL/LG信号源（脚本内置抓取）01:59快照

    Paint-Anything：用于图像生成和编辑的统一任意颜色控制

    作者：谢继、周德伟、黄新宇|专业的设计需要任意颜色控制：能够指定对象的目标颜色与任何24位十六进制值的图像生成和编辑。之前的工作探索了颜色生成、编辑和着色，但通常依赖于专用的颜色表示或专门的推理过程。大型语言模型的进步提供了一个更简单的起点：即使是紧凑的模型

    快照阅读原文 ↗
  6. arXiv cs.AI/CL/LG信号源（脚本内置抓取）01:59快照

    ERCPMP-Gx：用于结直肠息肉病形态学、组织病理学和基因组学特征的内窥镜图像和视频数据集

    作者：Zahra Ghaffari、Massih Bahar、Mojgan Forootan|遗传性息肉病综合征可能是结直肠癌的先兆病变，并与广泛的结肠外肿瘤相关。这些综合症的早期识别和准确分类对于及时诊断、个性化患者管理和针对受影响家庭的有针对性的监测策略至关重要。然而，公共内窥镜数据集很大程度上是组织起来的

    快照阅读原文 ↗

星期四 · 6 条
  2. 雷峰网·AI 科技评论中文媒体11:20中文快照

    几何的「反攻」！港科大谭平：从局部先验到全局一致，3D 几何如何增强视觉大模型 | ECCV 2026

    学习模型已经具备很强的局部视觉先验，而 3D 几何可以帮助建立跨视角、长距离的全局一致性。二者如何结合，是 3D 视觉与空间智能中的重要问题。 编辑丨岑峰 在生成式 AI 的快速发展中，Sora 等视频和图像扩散模型（Diffusion Models）展示了很强的视觉生成能力。大规模 2D 数据让模型学到了丰富的视觉与语义先验，在单帧和局部视频生成上取得了显

    快照阅读原文 ↗
  4. The Verge国际媒体07:40快照

    我戴着Snap售价2，200美元的智能眼镜

    我最喜欢戴着眼镜的部分，Snap的新增强现实眼镜，是玩多米诺骨牌。坐在桌子对面的Snap员工戴着同样一副厚实的眼镜，我可以轻轻捏一捏，选择一张虚拟多米诺骨牌，然后移动手将其放在适当的位置，看着瓷砖在[.]

    快照阅读原文 ↗
  5. arXiv cs.AI/CL/LG信号源（脚本内置抓取）01:59快照

    PANORAMA：通过面具提案选择进行全景接地字幕

    作者：Sara Pieri、Evangelos Kazakos、Shizhe Chen|在世界上运作的智能系统需要全面且基于空间的图像理解。当前的视觉语言模型（VLM）可以生成流畅且详细的图像字幕，但将它们与图像像素可靠地关联起来仍然具有挑战性。将密集字幕与像素级接地相结合的现有方法通常会产生不完整的描述或不完整的描述

    快照阅读原文 ↗
  6. arXiv cs.AI/CL/LG信号源（脚本内置抓取）01:56快照

    梦想接触之声：利用视频和音频生成进行零射击力感知操纵和数据生成

    作者：季冠华、李天玉、Dayoon Suh|视频生成的最新进展允许机器人从生成的视频中学习操纵轨迹。然而，这些方法产生的纯粹运动学轨迹缺乏力信息，导致接触丰富的任务失败，而适当的接触力对于成功至关重要。在这项工作中，我们探索用音频增强生成的视频，以塑造有界、时变的愿望

    快照阅读原文 ↗