又快又聪明,阿里发布Qwen-Audio-3.0-Realtime:实时语音大模型四项功能升级
阿里实时语音大模型四项功能同步升级,智商与口语抗噪双突破,堪称又快又聪明。
阿里实时语音大模型四项功能同步升级,智商与口语抗噪双突破,堪称又快又聪明。
人类记忆是重构的而非忠实记录,这篇论文提出三阶段架构DoYouRemember,让多模态大模型具备类人记忆能力,解决现有模型丢弃内部表征的缺陷。
arXiv:2607.11919v1 Announce Type: cross Abstract: Human memory is reconstructive, not a faithful recording. Current multimodal LLMs (MLLMs) lack this …
IT之家 7 月 15 日消息,促进生成式人工智能服务创新发展和规范应用,网信部门会同有关部门按照《生成式人工智能服务管理暂行办法》要求,有序开展生成式人工智能服务备案工作, 现将新增的“Apple 智能”等 7 款提供手机端侧生成式人工智能服务备案信息予以公告 。 小米官方刚刚发文,介绍了此次通过…
对话多模态模型安全新漏洞:通过伪造助手消息实现越狱攻击,揭示未被探索的攻击面。
arXiv:2507.04673v2 Announce Type: replace Abstract: The rise of conversational interfaces has greatly enhanced LLM usability by leveraging dialogue hi…
新型多模态检索增强框架让大模型精准理解航拍图像细节,解决细粒度视觉推理难题。
arXiv:2604.17889v2 Announce Type: replace Abstract: Despite recent progress in multimodal large language models (MLLMs), reliable visual question answ…
提出自动检测多模态大模型中虚假线索的SpurLens方法,助力提升模型可靠性与可解释性。
arXiv:2503.08884v3 Announce Type: replace-cross Abstract: Unimodal vision models are known to rely on spurious correlations, but it remains unclear to…
多模态链式推理+工具调用,提升内容安全审核的准确性与可解释性。
arXiv:2604.06205v2 Announce Type: replace-cross Abstract: The growth of online platforms and user content requires strong content moderation systems t…
ECCV 2026新作:输出感知安全护栏,精准解决多模态大模型“宁可错杀一千”的过度拒绝问题。
arXiv:2607.09697v1 Announce Type: new Abstract: Existing safety mechanisms for multimodal large language models (MLLMs) face a fundamental trade-off b…
GigaChat Audio 是时间感知音频语言模型,精准理解音频内容与时间关系,提升语音识别与生成质量。
arXiv:2607.10387v1 Announce Type: cross Abstract: Temporal grounding in long recordings remains challenging for audio-conditioned LLMs. We present a t…
首个面向能源领域的大模型多模态数据集,助力LLM在电力、能源管理等场景的应用突破。
arXiv:2607.11459v1 Announce Type: cross Abstract: This paper presents the mAIEnergy dataset, an open-access, multimodal corpus developed to support La…
DoorDash用LLM陪审团与上下文优化,多模态AI精准构建食品元数据,工程实践亮点。
Article URL: https://careersatdoordash.com/blog/building-food-metadata-with-llm-juries-context-optimization-multimodal-ai/ Comments URL: https://news.…
一篇关于视频问答的创新论文,强调利用证据推理来提升答案的准确性与可解释性。
arXiv:2607.11862v1 Announce Type: cross Abstract: Current Video Large Language Models (Video LLMs) excel in question answering (QA) but largely operat…
从粗到细监督实现高效高分辨率视觉表示,SigLIP-HD在处理多模态大模型时兼顾计算效率与细粒度特征。
arXiv:2607.09488v1 Announce Type: new Abstract: High-quality visual representation is a long-standing pursuit in computer vision. In the context of mu…
独家对话Om AI创始人:端侧原生流式多模态架构首次打通物理AI闭环,让AI从云端“着陆”真实世界。
一个从未见过监控画面的多模态模型,却比在监控数据上练了多年的小模型“老将”更懂监控。这不是科幻电影,这是2023年Om AI联汇的一场“无心插柳”,也是CEO兼首席科学家赵天成博士更加坚信“多模态训练方式能为物理开放世界带来泛化性”的关键节点。彼时,AI行业正在追求以大语言模型为核心的生成式AI。 …
Meta新模型Muse Spark 1.1主打多智能体协作与百万级上下文,让AI能拆解任务并行执行,效率倍增。
IT之家 7 月 12 日消息,Meta 于 7 月 9 日正式发布适用于 AI 智能体的多模态推理模型 Muse Spark 1.1 版本,重点提升了模型在智能体任务中的规划、协同与执行能力,并增强了工具调用、代码开发、应用操作能力。 Meta 表示,Muse Spark 1.1 强化了多智能体协…
Meta AI发布多模态推理模型Muse Spark 1.1,专为智能体任务打造,提升AI自主决策能力。
Multimodal reasoning model built for agentic tasks Discussion | Link
提出时间感知交叉注意力机制,提升纵向多模态阿尔茨海默病诊断精度,AI医疗前沿突破。
arXiv:2607.07091v1 Announce Type: cross Abstract: In longitudinal Alzheimer's disease (AD) diagnosis support, clinical and imaging information is ofte…
多模态神经影像与生成式AI结合,用潜在图编码实现跨模态特征融合,前沿研究亮相ICIP 2026。
arXiv:2607.07027v1 Announce Type: cross Abstract: While generative models enable encoding of complex neuroimaging data for feature generation and reco…
将LLM与RAG记忆及多模态教练代理结合,实现端到端航班规划,一个新研究被ICML 2026 Workshop接收。
arXiv:2607.06964v1 Announce Type: cross Abstract: Bridging the gap between human pilot intent and autonomous flight operation is critical for real-wor…
多模态大模型视觉计数能力新基准,HoloCount全面评测模型在复杂场景下的计数表现,揭示当前MLLMs的瓶颈。
arXiv:2607.06420v1 Announce Type: new Abstract: Visual counting is a fundamental pillar of multimodal intelligence, requiring a seamless integration o…