标签「多模态模型」

Neura Robotics 发布 Neuron AI 多模态物理 AI 基础模型，通过 PLA 架构融合视觉、触觉、听觉及记忆能力，突破单一视觉局限，并将于 GTC Berlin 演示人形机器人 11 分钟无人干预洗衣任务。

快看漫画与MiniMax稀宇科技合作推出业界首款AI陪伴互动漫画，通过生成式AI技术重构传统漫画体验。MiniMax的全模态模型支持角色动态化，公司近期通过港交所聆讯，并与多个IP方展开AI+IP合作。

DeepSeek开源视觉多模态模型Janus-Pro-7B，支持图像生成与本地部署，被誉国产AI突破。同时面临技术迁移瓶颈、市场竞争加剧及模型幻觉问题，阿里巴巴Qwen3-VL多模态模型形成技术对比。

阿里通义千问团队推出基于20B参数的Qwen-Image-Edit模型，通过双通道架构实现语义与外观双重控制，在公开基准测试中展现当前最优性能。尽管国内厂商加速布局多模态领域，但技术仍面临表征复杂度与空间推理能力等关键挑战。

昆仑万维正式开源多模态统一预训练模型Skywork UniPic，在单一架构中融合图像理解、文本生成与图像编辑三大功能。该模型以1.5B参数实现多项SOTA性能，显著降低AI应用门槛。

蚂蚁集团与 inclusion AI 联合发布开源多模态模型 Ming-Omni; Ming-Omni 模型亮相，支持图像、文本、音频及视频多模态处理；开源 AI 解决方案 Ming-Omni 推出，模态支持媲美 GPT-4o。

微软 CEO 纳德拉宣布构建自主 AI 基础架构体系，通过双引擎驱动模式推进异构化技术布局。微软工程院组建专项团队突破多模态模型部署，同步建立技术冗余体系保障商业客户数据主权。

OpenAI 通过 GPT-4o 实现生成式 AI 领域首个端到端多模态集成，用户无需切换模型即可在对话中生成自定义图像。该系统已向全量用户开放，并与 Sora 视频平台形成技术协同。

豆包大模型团队与北京交通大学和中国科学技术大学联合开发的“VideoWorld”模型，突破了传统多模态模型的限制，首次实现无语言模型的世界认知。该模型通过纯视觉信号进行学习和推理，在视频生成和理解方面展现了强大的创新能力。

智源研究院发布了全新原生多模态世界模型Emu3，基于下一个token预测即可实现文本、图像、视频的理解与生成，无需依赖扩散模型。Emu3在图像生成、视觉语言理解和视频生成等任务中表现优异，提供了一种统一的多模态研究范式，并已开源。