EarthMind 开源多模态大模型亮相，攻克卫星图像像素级识别难题

由意大利特伦托大学、德国柏林工业大学及慕尼黑工业大学联合研发的 EarthMind 开源多模态大模型正式发布，专为解析复杂地球观测数据设计。该模型通过空间注意力提示模块和两阶段融合机制，显著提升多源数据协同分析能力，已应用于灾害监测与城市规划领域。

Kwai Keye-VL 由快手自主研发，深度融合文本、图像和视频信息，凭借自适应交互机制与动态推理能力在视频理解中领先。该模型利用 600B 大规模数据集训练，在应用和评测中展现出高效性能。

阿里巴巴旗下夸克应用完成 AI 超级框战略升级，通过集成视觉解析引擎与逻辑推演架构实现多模态交互革新。新功能支持 12 类物体实时解析，千亿参数多模态大模型使开放域问答准确率提升 27%。

Meta 推出 Llama 4 系列多模态大模型，采用混合专家系统实现参数规模与运算效率突破，旗舰型号总参数达 2 万亿。该系列通过动态门控路由和跨模态注意力机制，在超长文档解析、动态视频处理等场景展现优势，配合硬件适配实现实时推理。

阿里巴巴集团开源通义千问系列最新 Qwen2.5-Omni-7B 模型，该 7B 参数规模模型实现文本 / 图像 / 音频 / 视频跨模态实时处理，通过双核架构与创新算法超越 Google Gemini 等竞品。模型在语音生成质量达专业播音水平，支持智能手机本地部署，并构建全球最大开源模型生态体系。

生数科技与 Aura Productions 基于 Vidu 视频大模型开发的 50 集科幻动漫，通过分布式渲染架构将单镜头生成耗时压缩至 10 秒级。该系统突破性解决长视频时序错位难题，并实现 16K 电影级画质输出与 AI 导演运镜方案生成。

马斯克旗下xAI完成对视频生成企业Hotshot的全资收购，该并购将增强xAI在动态视觉生成领域的技术储备。Hotshot的时空一致性处理技术与xAI的工程能力结合，或推动生成式AI技术进入新阶段。

智元机器人发布通用具身基座大模型 GO-1，通过 ViLLA 创新架构首次实现跨本体技能迁移能力，其双通道数据处理架构显著提升机器人执行效率。该模型支持七类设备平台快速移植能力，为具身智能规模化落地提供技术基座。

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。