面壁智能推出了全新的端侧多模态模型MiniCPM-o 2.6，其出色的处理能力使其能够与现有大型语言模型竞争，并在移动设备上实现前所未有的实时多模态交互体验。该模型不仅强化了面壁智能在多模态领域的领导地位，也为智能设备的应用前景打开了新的大门。

新加坡国立大学NExT++研究中心发布多模态大语言模型NExT-GPT，凭借创新架构与轻量级训练方法，在多模态数据处理上实现显著突破。该模型为多模态生成与理解领域开创了新方向，展示出更加接近人类交流方式的AI潜力。

Sa2VA，基于 SAM2 和 LLaVA 的多模态视觉语言模型，打破了图像与视频理解的壁垒，成为支持密集视觉任务和对话的新基准。借助先进的单次指令调优和全新数据集 Ref-SAV，Sa2VA 在多项基准任务中表现优异，为复杂场景下的视觉语言交互提供了无限可能。

香港中文大学团队推出的新型人工智能模型VisionFM，专为眼科临床任务设计，尤其在疾病筛查和诊断方面表现出色。该模型突破性地提高了青光眼等多种眼科疾病的预测和诊断精准度，为医学AI应用带来新机遇。

InternLM-XComposer 2.5 OmniLive是一个多模态生成模型，专注于视觉和语言理解领域。它在图像处理、文本生成、对话系统等多个维度都实现了技术创新，支持高度的定制化和优化，尤其适合需要高度多功能性的AI应用场景。

Mistral AI推出全新多模态AI模型Pixtral Large，拥有1240亿参数，在文本和图片处理领域表现卓越。在MathVista等基准测试中，该模型超过主流对手，支持大规模视觉数据处理及复杂推理。

乐聚机器人推出了一款专为展厅场景设计的“智能讲解”人形机器人，支持多语言、全展区导航、障碍识别等功能。该机器人搭载可训练大模型，提供个性化讲解服务，并能全天候运行。

2024全球机器学习技术大会将于11月14-15日在北京盛大开幕，汇聚顶尖AI专家和行业精英，共同探讨智能体、多模态、代码大模型等前沿话题。比尔·盖茨预测未来软件应用数量将大幅减少，此次大会将展现AI技术如何重塑软件市场。

微软正式开源 OmniParser，突破现有 AI 在复杂图形用户界面（GUI）识别中的局限性。该工具无需依赖 HTML 等基础数据，直接识别屏幕交互元素，极大提升了视觉解析的精准度。

OpenAI计划在年底前发布新一代AI模型“猎户座（Orion）”，被视为GPT-4的继任者。猎户座的核心优势在于处理多模态数据，包括文本、图像和视频，其性能有望超越GPT-4百倍，成为AI领域的重要突破。