跳到正文

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。

125条精选相关主题图像生成AI 视频语音与音频

最新精选

第 61–80 条 · 共 125 条
2月4日周三
  1. Google Research68

    Google Research 宣布与 Included Health 合作开展全美首个真实世界虚拟护理 AI 随机研究

    Google Research 宣布与 Included Health 合作，启动一项待 IRB 批准的全美前瞻性随机研究，以评估对话式 AI 在真实世界虚拟护理工作流中的表现。

    推荐理由：原文披露了从模拟验证到全美随机对照试验的研究路径，展示了医疗AI在真实临床工作流中评估安全性与效用的具体方法论。

1月30日周五
  1. Google DeepMind78

    Google DeepMind 向美国 AI Ultra 用户推出 Project Genie 交互世界原型

    Google DeepMind 即日起向美国 Google AI Ultra 订阅用户（18+）推出实验性研究原型 Project Genie。该应用由 Genie 3、Nano Banana Pro 和 Gemini 驱动，支持通过文本或图像提示创建、探索及混剪可交互的沉浸式世界，并能在移动时实时生成前方路径。

    推荐理由：官方开放了基于 Genie 3 的交互式世界原型，明确了实时生成路径与物理模拟的能力边界及当前限制。

1月14日周三
  1. Google Research65

    Google 发布 MedGemma 1.5 4B 与 MedASR 开源医疗模型

    Google Research 发布 MedGemma 1.5 4B 模型和 MedASR 语音识别模型，并启动 Kaggle 黑客松。MedGemma 1.5 新增对 CT、MRI 和全切片病理图像等高维医学影像的解读能力，在内部基准测试中疾病分类准确率较上一代显著提升；MedASR 专为医疗听写微调，错误率远低于通用 Whisper large-v3 模型。

    推荐理由：原文给出了MedGemma 1.5对CT和MRI等高维医学影像的支持及具体基准提升，开发者可据此评估其在复杂医疗场景中的适配潜力。

  2. Google DeepMind68

    Google DeepMind 发布 Veo 3.1 Ingredients to Video 更新：增强一致性并支持原生竖屏

    Google DeepMind 发布 Veo 3.1 Ingredients to Video 功能更新，提升了基于参考图像生成视频的创意表现与角色一致性。此次更新首次支持原生 9:16 竖屏视频生成，并引入至 1080p 和 4K 分辨率的尖端升频技术。

    推荐理由：原文详述了 Veo 3.1 在角色一致性、原生竖屏输出及高分辨率升级方面的具体改进，为移动端创作和专业工作流提供了新的能力参考。

1月7日周三
  1. OpenAI News62

    OpenAI 推出 ChatGPT Health 专用健康体验

    OpenAI 发布 ChatGPT Health，这是一个专用的健康体验功能。该功能可安全连接用户的健康数据和应用，并具备隐私保护及由医生参与的设计特点。

    推荐理由：OpenAI 推出 ChatGPT Health，通过安全连接健康数据与应用并采用医生参与设计，为个人健康管理提供专用体验。

1月6日周二
12月17日周三
  1. Mistral AI60

    Mistral AI 发布 Mistral OCR 3 模型

    Mistral AI 正式发布 Mistral OCR 3，该模型在表单、扫描文档、复杂表格和手写内容上的整体胜率比 Mistral OCR 2 高出 74%。

    推荐理由：Mistral OCR 3 在表单、手写和复杂表格识别上较前代有显著提升，且以极低价格提供 API 服务，适合需要高精度文档解析的开发者评估。

  2. Google DeepMind86

    Google DeepMind 发布 Gemini 3 Flash：兼顾前沿智能与速度

    Google DeepMind 发布 Gemini 3 Flash，旨在以更低成本和更高速度提供接近 Pro 级别的前沿智能。该模型在 GPQA Diamond 得分 90.4%，SWE-bench Verified 得分 78%，比 Gemini 2.5 Pro 快 3 倍且平均少用 30% token。

    推荐理由：原文给出了 Gemini 3 Flash 在多项基准测试中的具体分数、定价及与上一代模型的性能对比，读者可据此评估其在速度与成本平衡上的实际竞争力。

12月3日周三
  1. Mistral AI87

    Mistral AI 发布 Mistral 3 系列开源模型

    Mistral AI 正式推出下一代模型家族 Mistral 3，包括 Mistral Large 3（41B 激活/675B 总参数的稀疏 MoE）以及 Ministral 3 系列（3B、8B、14B 密集模型）。

    推荐理由：官方发布了包含稀疏 MoE 大模型和密集小模型的 Mistral 3 系列，全部采用 Apache 2.0 协议开源并支持多模态与推理能力。

11月20日周四
  1. Google DeepMind63

    Google DeepMind 在 Gemini 应用中推出 AI 图像验证功能

    Google DeepMind 宣布在 Gemini 应用中引入 AI 图像验证功能，用户可通过上传图像询问是否由 Google AI 生成或编辑。该功能基于 SynthID 数字水印技术，结合模型推理提供内容背景信息。未来计划将验证范围扩展至视频和音频格式，并整合到搜索等更多平台中。

    推荐理由：官方介绍了在 Gemini 应用中集成 SynthID 水印检测的具体交互方式，为内容真实性验证提供了新的入口。

11月19日周三
  3. Google Research82

    Google 推出 Generative UI：在 Gemini 和搜索中实现动态交互式界面

    Google Research 正式介绍 Generative UI（生成式用户界面）能力，该功能利用 AI 模型根据提示词动态生成网页、游戏或工具等完整交互体验，而非仅渲染静态内容。

    推荐理由：官方展示了基于 Gemini 3 的生成式 UI 技术，通过动态创建交互式界面替代静态文本输出，并已在搜索和助手应用中开启实验。

11月17日周一
  1. Google DeepMind78

    Google DeepMind 发布 WeatherNext 2 气象预报模型

    Google DeepMind 与 Google Research 联合发布最新气象预报模型 WeatherNext 2。该模型生成预报的速度比前代快 8 倍，分辨率提升至小时级，并能从单一输入预测数百种可能的气象情景。

    推荐理由：原文给出了预测速度、分辨率提升及数据开放入口，读者可据此评估其对气象决策和现有工作流的实际改变。

10月31日周五
10月28日周二
10月23日周四
  1. Google Research68

    Google Earth AI 发布新基础模型与地理空间推理智能体

    Google Earth AI 推出新的图像和人口基础模型及基于 Gemini 的地理空间推理智能体，旨在通过跨模态推理解决复杂的行星尺度问题。新模型在多个公开地球观测基准上达到 SOTA，其中文本图像搜索平均提升超 16%，零样本目标检测准确率翻倍。

    推荐理由：原文展示了基础模型与智能体协同在复杂地理空间推理中的性能提升，为开发者提供了评估其解决现实世界问题能力的具体基准。

10月21日周二
  1. Hugging Face Blog62

    Hugging Face 发布开源 OCR 模型选型与部署指南

    Hugging Face 发布指南帮助开发者选择和使用开源 OCR 模型。文章对比了 Chandra、OlmOCR-2、PaddleOCR-VL 等最新模型在表格处理、多语言支持及输出格式上的能力，并介绍了 OmniDocBenchmark 等评测基准。

    推荐理由：Hugging Face 官方指南系统梳理了主流开源 OCR 模型的能力差异、评测基准及本地与云端部署方案，为构建文档 AI 流水线提供了选型依据。