生成式AI模型世代認知發展不均
研究人員開發心理測驗框架，評估生成式AI認知輪廓與人類標準比較，顯示語言理解和工作記憶表現頂尖，但感知推理幾近失敗。AIQ基準測試追蹤六代兩家族模型，揭示不對稱進展，語言任務遠勝視覺，顯示語言偏誤。此結果顯示單靠擴展無法實現均衡AGI。
Search
Tag: #multimodal329 results
OpenAI 推出 3 款全新 AI 語音模型
OpenAI 推出三款全新 AI 語音模型，旨在為開發者解鎖全新語音應用類別。這些模型支援深度推理、翻譯和轉錄等進階功能。ChatGPT 創造者希望以尖端語音 AI 工具賦能開發者。
PRISM：填補具身AI感知缺口
PRISM 提出一個框架，透過動態問答管道緊密結合 VLM 感知與 LLM 決策。LLM 會批判 VLM 描述、提出目標導向問題，並合成任務導向的場景理解。它在 ALFWorld 和 R2R 基準測試中自動超越最先進模型。
llama.cpp 新增 Mimo v2.5 支援
拉請求 #22493 在 llama.cpp 中新增 Xiaomi 的 Mimo v2.5 稀疏 MoE 模型支援。此模型總參數 310B，啟動 15B 參數，支援 1M 權重上下文，並處理文字、圖像、影片、音訊模態。具備專用 ViT 視覺與音訊編碼器及多權重預測。
字節跳動全模態 Doubao-Seed-2.0-lite 升級
字節跳動升級 Doubao-Seed-2.0-lite，為豆包家族首款全模態模型，原生統一理解影片、圖像、音訊與文字。在視覺/音訊基準達 SOTA，超越 Gemini-3.1-Pro，Agent、Coding 與 GUI 能力同步強化。現已在火山方舟上線，適合企業部署。
Apple SFI-Bench 基準測試多模態 LLM 空間功能智能
Apple 推出 SFI-Bench，一個基於影片的基準測試，包含超過 1700 個來自多樣自我中心室內影片掃描的問題。它評估多模態 LLM 的高階空間-功能智能，超越 VSI-Bench 等基本幾何感知。該基準填補通往真實世界代理應用之扎實智能的差距。
CVPR 轉向自適應視覺推理
CVPR 2026 多模態論文重定義視覺智能：VideoAuto-R1 實現按需推理，LIVR 在潛在空間無語言視覺推理，ARC 重新定位為視覺任務。趨勢強調高效隱式推理而非恆定鏈式。評估轉向開放任務與結構化數據。
DeepSeek 聊天機器人新增視覺功能
中國 AI 新創 DeepSeek 為其旗艦聊天機器人新增多模態功能，能處理圖像與影片，結合文字。該首次功能限特定用戶測試，繼 V4 模型推出與大幅降價後。使 DeepSeek 與具視覺功能的競爭對手看齊。
新版DeepSeek識圖功能還能讀懂CT圖
DeepSeek V4 發布僅5天，網頁端已進入灰度測試識圖模式，能理解圖像資訊。使用者可直接上傳截圖，讓DeepSeek分析，比自行描述問題更簡單。它甚至能讀懂CT圖。
商湯科技開源統一模型 SenseNova U1
商湯科技推出並開源 SenseNova U1，這是一款統一多模態模型。基於 NEO-unify 架構，它將理解與生成合併至單一框架。此舉推動邁向統一模型時代。