传闻称GPT-6即将发布：性能暴涨40%，支持2M上下文
近日，科技社区 Linux.do 及社交媒体 X 上传出关于 GPT-6 即将发布的消息。据多方爆料，OpenAI 的新一代模型 GPT-6 可能带来显著性能提升，号称较 GPT-4 性能暴涨 40%，实现全面碾压式超越。此外，传闻称该模型...
标签索引 / 第 6 页
多模态
这个标签下有 190 篇文章。按时间回看相关判断与实践记录。
标签精选
相关内容
DeepSeek 网页源码曝光：疑似新增“专家”与“快速”双模式，多模态能力将至
近日，社区网友在 DeepSeek 网页端源码中发现了疑似新功能的踪迹，显示平台可能正在测试“专家模式”和“快速模式”。挖掘信息显示，“专家模式”目前似乎隐藏在代码编写场景中，暗示其将调用更强的推理能力以应对复杂任务，而“快速模式”则可能用...
开源新利器：基于多模态大模型的高精度OCR工具发布
开发者发布了一款名为LLM_OCR的开源工具，旨在利用多模态大语言模型（LLM）实现高性能的文本识别。相较于传统OCR软件，该项目在准确率和复杂排版处理上表现更优。该工具支持PDF及主流图片格式直接上传，并提供Markdown、Word、T...
DeepSeek被曝悄然上线原生多模态能力，突破传统OCR限制
近日，科技社区有用户在测试DeepSeek APP时发现，该模型似乎已悄然解锁了原生多模态能力。此前，DeepSeek在处理图片时主要局限于OCR（光学字符识别）文字提取，而最新的测试显示，原有的“只能识别文字”限制提示已消失。用户在APP...
SeedDance 2.0上线：整合主流模型打造一站式AI图视频生成平台
SeedDance 2.0 正式发布，定位为集AI视频与图像生成于一体的一站式聚合平台。该产品接入了目前行业内主流的多个生成式模型，打通了“文生图、图生图、文生视频、图生视频”的全链路创作流程。相比于分散使用单一工具，SeedDance 旨...
谷歌重磅开源 Gemma 4：Apache 2.0 协议加持，专攻 Agent 推理与多模态
Google DeepMind 正式发布了 Gemma 4 系列开放模型，宣称其为“字节级最强”的开源模型。该模型基于与 Gemini 相同的研究和技术构建，专为高级推理和智能体工作流量身打造。Gemma 4 具备强大的多模态能力，支持文本...
Google DeepMind 发布 Gemma 4：真开源全模态，端侧本地 Agent 新标杆
Google DeepMind 正式推出 Gemma 4 系列模型，以“真开源、全模态”为核心卖点。该系列完全采用 Apache 2.0 协议，不仅具备领先的视觉与视频理解能力，其 2B 和 4B 的小参数版本更首次在端侧实现了原生音频输入...
误把工具当模型？关于 Minimax 2.7 原生多模态能力的深度辨析
本文记录了作者与网友围绕 Minimax 2.7（M2.7）是否具备原生多模态能力展开的技术辩论。网友因在 OpenClaw 中调用 M2.7 成功识别图片，便认定模型原生支持视觉；而作者通过查阅官方文档及测试工具调用日志，论证这实际上是接...
谷歌 Gemma 4 现身竞技场：代号“significant-otter”，或将支持多模态
据科技社区消息，谷歌疑似正在 LMSYS Chatbot Arena 上测试其新一代开源模型 Gemma 4。该模型目前以“significant-otter”为代号进行秘密测试，被网友敏锐捕捉。据透露，Gemma 4 可能将包含 2B（2...
零基础全靠 AI 制作 MV？揭秘 Gemini 2.5 Pro 指导的 AIGC 全流程创作
本文分享了一位创作者完全依赖 AI 工具从零制作音乐 MV 的实操案例。作者采用 Gemini 2.5 Pro 担任“创意总监”统筹全局，利用 GLM-4.5 生成歌词并配合 Suno 4.5 Pro 制作音乐，视频画面则通过 Google...