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。
Search
Tag: #multimodal329 results
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。
不捲參數捲架構，開源模型統一圖像理解與生成
一款新型開源模型採用低參數捲積架構，將圖像理解與生成任務統一。已全網開源，即刻可用。
MiniCPM-o 4.5消費級顯卡快速上手
面壁智能發布MiniCPM-o 4.5技術報告，強調其在消費級顯卡上快速上手運行。該模型下載量已突破25萬，顯示高度人氣。
Apple StereoFoley 生成物件感知立體音頻
Apple 推出 StereoFoley，一個從影片生成語義對齊、時間同步且空間精準的 48 kHz 立體音頻框架。它克服先前模型的單聲道限制及立體資料集不足。基礎模型在語義準確度和同步性達到最先進水準。
Kimi K2.6 在 3D 設計基準領先所有模型
Kimi K2.6 在 3D 設計任務基準中名列第一。被形容為最佳模型評估基準之一。
X Square 推出 WALL-B 家用具身 AI
X Square Robot 推出 WALL-B，這是一款下一代具身 AI 模型，專為現實世界家用部署設計。它具備多模態學習與物理推理功能，用於家居互動。
OpenAI 在 ChatGPT、Codex 和 API 推出 Images 2.0
OpenAI 已於 ChatGPT、Codex 及其 API 推出 Images 2.0。它引入兩種模式、先進文字支援，以及 4K 輸出解析度。Codex 整合可實現創意與商業應用。
Koharu 漫畫翻譯器更易用更新
Koharu 是 Rust 撰寫的本地漫畫/圖像翻譯器，已更新更可靠且易用。整合 llama.cpp 支援 Gemma/Qwen 模型、物件偵測、OCR 與修補。完全開源於 GitHub，含示範影片與編輯功能。