-
谷歌发布多模态直播 API：解锁看、听、说，开启 AI 音视频交互新体验
谷歌昨日在发布 Gemini 2.0 的同时，还发布了全新的多模态直播（Multimodal Live）API，帮助开发人员开发具有实时音频和视频流功能的应用程序。 该 API 实现了低延迟、双向的文本、音频和视频交互，以音频和文本形式输出，带来更自然流畅、如同人类对话般的交互体验。用户可以随时打断模型，并通过共享摄像头输入或屏幕录像与其进行互动，就内容提问。 该模型的视频理解功能扩展了通信模式，…- 506
-
三星多模态 AI 模型 Gauss 2 登场，赋能 Galaxy 智能生态
三星公司今天（10 月 21 日）发布博文，在韩国举办的开发者大会上，宣布推出第二代生成式AI模型 Samsung Gauss2。 这款多模态语言模型能够同时处理文本、代码和图像等多种数据类型，显著提升性能和效率。 Gauss2 提供“精简版”（Compact）、“均衡版”（Balanced）和“至尊版”（Supreme）三种不同规格的模型，以满足不同计算环境和应用场景的需求，IT之家简要梳理如下…- 802
-
Mistral 发布 Pixtral Large 多模态 AI模型：登顶复杂数学推理，图表 / 文档推理超过 GPT-4o
11 月 19 日消息，Mistral AI 公司昨日（11 月 18 日）发布公告，宣布了全新的多模态 AI模型 Pixtral Large。该模型拥有 1240 亿参数，基于 Mistral Large 2，主要用于处理文本和图片。 Pixtral Large 现已在 Mistral 研究许可证和商业许可证下提供，适用于研究、教育以及商业用途。 Pixtral Large 是 Mistral …- 1k
-
开源多模态巨兽登场！Meta将于7月23日推出Llama 3 405B模型
Meta又要搞大事情了!他们即将推出一款名为Llama3405B的开源语言模型，这不仅是他们迄今为止最大的模型，而且还是史上最大的开源语言模型。这个巨无霸，拥有惊人的4050亿参数，能在图像和文本之间自如穿梭，彻底颠覆了以往只能处理文本的老黄历。 关键看点: Meta将在7月23日发布Llama3405B，这是一款具有4050亿参数的多模态模型。 决定将Llama3405B及其权重开源，可能会彻底…- 6.7k
-
谷歌推出多模态 VLOGGER AI：让静态肖像图动起来“说话”
谷歌近日在 GitHub 页面发布博文，介绍了 VLOGGER AI模型，用户只需要输入一张肖像照片和一段音频内容，该模型可以让这些人物“动起来”，富有面部表情地朗读音频内容。 VLOGGER AI 是一种适用于虚拟肖像的多模态 Diffusion 模型，使用 MENTOR 数据库进行训练，该数据库中包含超过 80 万名人物肖像，以及累计超过 2200 小时的影片，从而让 VLOGGER 生成不同…- 3k
-
扳回一局！Gemini-Pro多模态能力和GPT-4V不相上下
近期的Gemini-Pro评测报告显示其在多模态领域取得了显著的进展，与GPT-4V不相上下，甚至在某些方面表现更为出色。首先，在多模态专有基准MME上的综合表现中，Gemini-Pro以1933.4的高分超越了GPT-4V，展现出在感知和认知方面的全面优势。而在37个视觉理解任务中，Gemini-Pro在文本翻译、颜色/地标/人物识别以及OCR等任务中表现突出，显示了其在基础感知领域的卓越能力。…- 3.1k
-
Gemini：由 Google 开发的写作、规划和学习的AI 助手
Gemini是谷歌DeepMind推出的新一代人工智能系统。它能够进行多模态推理,支持文本、图像、视频、音频和代码之间的无缝交互。Gemini在语言理解、推理、数学、编程等多个领域都超越了之前的状态,成为迄今为止最强大的AI系统之一。它有三个不同规模的版本,可满足从边缘计算到云计算的各种需求。Gemini可以广泛应用于创意设计、写作辅助、问题解答、代码生成等领域。 Gemini功能 写作助手：Ge…- 2.3k
扫码打开当前页
-
￥優惠使用時效：无法使用使用時效：
之前
使用時效：预期有效优惠编号：×