跳到正文

技术方向

多模态 最新动态

文字之外的能力:看懂图片、图文混合理解、音视频输入输出的模型与产品进展。

2 条精选近 30 天 2 条共收录 3 条

更新

多模态的精选

10月28日周三第 1–2 条
  1. Ars Technica · AI78

    DeepMind 发布 Genie 4 世界模型,称物理与人物模拟更真实

    Google DeepMind 发布 Genie 4 世界模型,称其在几乎各方面都优于 Genie 3,模拟的物理效果和人物更真实。该模型无需预渲染环境或编写交互逻辑,用户描述需求后即可实时逐帧生成可探索的虚拟世界,部分改进来自 Google 更新的 Gemini 模型。DeepMind 将世界模型视为通往 AGI 的关键环节,并称该技术可用于为实体机器人构建训练环境或加速创意领域的原型设计。

    推荐理由:Genie 4 在 Genie 3 基础上改进物理与人物模拟,并接入更新的 Gemini 模型,读者可据此了解世界模型朝 AGI 的定位。

10月27日周二
  1. Simon Willison78

    OpenAI 发布 GPT-6.1 Terra 模型

    OpenAI 发布 GPT-6.1 Terra,官方强调其详细视觉推理与精确电脑操作能力,并称其写作更清晰自然,相比 GPT-5.6 Terra 有明显提升。该模型定价为每百万输入 token 1 美元、每百万输出 token 5 美元,约为 GPT-5.6 Terra 和 GPT-6.1 Sol 的一半,约为 GPT-6 Luna 的 10 倍。

    推荐理由:文章梳理了 GPT-6.1 Terra 在视觉推理与电脑操作上的定位,并给出与同系列模型的取舍参考。