内容持续更新中
甚至部分指标比13B的模型还要好 小炒汤圆 投稿量子位 | 公众号 QbitAI 混合专家（MoE）架构已支持多模态大模型，开发者终于不用卷参数量了！ 北大联合中山大学、腾讯等机构推出的新模型MoE-…
首创基于多模态大模型的音乐理解与生成框架 腾讯PCG ARC实验室 投稿 量子位 | 公众号 QbitAI 能处理音乐的多模态大模型，终于出现了！ 只见它准确分析出音乐的旋律、节奏，还有使用的乐器，甚…
自动驾驶新解法 丰色 曹原 发自 凹非寺 量子位 | 公众号 QbitAI 用多模态大模型做自动驾驶的决策器，效果居然这么好？ 来自商汤的最新自动驾驶大模型DriveMLM，直接在闭环测试最权威榜单C…
提出位置建模新方法 张傲 投稿 量子位 | 公众号 QbitAI 多模态大模型集成了检测分割模块后，抠图变得更简单了！ 只需用自然语言描述需求，模型就能分分钟标注出要寻找的物体，并做出文字解释。 在其…
视觉+音频双模态相辅相成 陈厚伦 投稿 量子位 | 公众号 QbitAI 只需一句话描述，就能在一大段视频中定位到对应片段！ 比如描述“一个人一边下楼梯一边喝水”，通过视频画面和脚步声的匹配，新方法一…
还能一键Markdown 国科大&旷视团队 投稿 量子位 | 公众号 QbitAI 想将一份文档图片转换成Markdown格式？ 以往这一任务需要文本识别、布局检测和排序、公式表格处理、文本清…
不过两者都算“半斤八两” happy 投稿 量子位 | 公众号 QbitAI 谷歌扳回一局！ 在Gemini开放API不到一周的时间，港中文等机构就完成评测，联合发布了多达128页的报告，结果显示： …
智能体即大脑 赵浩然 投稿 量子位 | 公众号 QbitAI 进入多模态时代，大模型也会操纵无人机了！ 只要视觉模块捕捉到启动条件，大模型这个“大脑”就会生成动作指令，接着无人机便能迅速准确地执行。 …
3天训完130亿参数通用VLM 一个北大投稿 发送至 凹非寺 量子位 | 公众号 QbitAI 训完130亿参数通用视觉语言大模型，只需3天！ 北大和中山大学团队又出招了——在最新研究中，研究团队提出…
还自建首个有深度和红外的大规模多模态数据集 AI4Happiness 投稿 量子位 | 公众号 QbitAI 北大联合腾讯打造了一个多模态15边形战士！ 以语言为中心，“拳打脚踢”视频、音频、深度、红…
