相关文章
533 篇高质量内容
谷歌EG 2模型+Milvus实测：最适合低成本本地部署的多模态embedding模型来了
Google开源的EmbeddingGemma 2（EG2）以740M参数规模支持文本、图片、视频、音频统一编码，可按模态加载编码器并裁剪向量维度至256维或128维。本文通过Milvus实测其与Nomic、qwen3.7-text-embedding-flash、Qwen3-VL-Embedding的横向对比，在Flickr8k和ESC-50数据集上验证其文本/图文/音频检索能力及256维向量的精度-存储平衡点。
iPhone断网跑35B多模态！国产开源新模型，只占3G内存
面壁智能与OpenBMB开源MiniCPM-V 4.7，含35B-A3B（MoE结构，仅激活3B）和1B两个版本，可在iPhone 17 Pro Max等端侧设备断网运行，解码速度超13 token/s，内存占用约3GB。模型在MMBench、OmniDocBench等基准测试中领先，支持iOS/安卓/鸿蒙及主流推理框架。
微信又上大分了！又偷偷更新了两个 AI 新功能，我赌你一个都没发现
微信偷偷更新了两个实用AI新功能，大部分人都没发现，快来了解。 核心内容： 1. 微信输入法内置AI录音笔功能的特色与实用性讲解 2. 微信聊天内置AI P图功能的入口与便捷性优势 3. AI P图四大核心功能的具体作用介绍
0.6B起！Jev对手模型来了，开源多模态，登上全球测评榜一
vLLM Semantic Router开源Decision 3.0系列决策模型，参数规模覆盖0.6B至27B，支持文本、图片与视频输入，不生成长文本，仅输出结构化判断结果及置信度。在Jev Decision Index榜单中，旗舰模型d3文本与视觉分均位列第一，超越Jev与微软Decision-1。模型权重已开源，支持本地部署与边缘推理。
技术解读｜会议 ASR 的下一站：让大模型自己学会听懂会议
本文探讨会议语音识别（ASR）的技术演进方向，指出传统模块化系统在真实会议场景中面临声学复杂性、多人重叠说话、专业术语混杂等挑战；提出ASR大模型应将声学鲁棒性、多说话人结构理解、长上下文一致性与输出克制等能力内生化，直接从原始音频生成带说话人归属与时间戳的结构化转写。
一个工具，十几分钟搞定：录屏字幕生成+错误字幕修正+多语言版本生成 | 开发者案例
阿里云百炼开发者 oil-oil 开源的 qwen-subtitle 工具，利用 ASR 语音识别与视觉理解模型协同纠错，解决录屏视频中专有名词（如 html2pptx→html to ppt）被误识别的问题；支持自动纠错、断句去水词、多语种字幕生成及配音合成，全流程由百炼 CLI 驱动，5 步约 15 分钟完成。
知识库里一半答案是图，检索却只认字：一个 740M 免费模型把盲区填上了——我们跑通给你看
Google DeepMind 于2026年10月6日发布开源多模态嵌入模型 EmbeddingGemma 2（740M 参数，Apache 2.0 许可），支持文本、代码、图像、视频、音频五种模态统一映射至同一向量空间。实测表明，该模型可使纯图答案（如报错弹窗截图、PPT流程图）进入检索候选集，解决企业知识库中图文资产割裂导致的检索盲区问题。
谷歌把AI搜索塞进手机！不到600MB，照片、视频、录音断网照样搜
谷歌开源EmbeddingGemma 2，740M参数、567MB内存占用，支持文字、图片、音频、视频跨模态联合嵌入。可在手机、浏览器本地运行，22毫秒完成多模态检索，无需联网或调用API。它统一处理多模态内容至768维语义空间，提升图像/视频检索得分近20分，并支持代码、多语言及离线RAG应用。
huashu-art-motion发布！可能是最有审美的动画skill。
huashu-art-motion 是一个开源动画 skill，支持用自然语言指令生成多风格白板动画、艺术史穿越短片及解说类视频。它基于 Claude Code Opus 5.5 实现，可拆解参考视频、生成运动热力图、代码绘图与合成配乐，并内置35种艺术风格卡与8种YouTube常见解说模板。
Mistral发布万亿参数开源模型Le Chonk：聚焦企业可部署、主权可控的多模态基础模型
Mistral推出参数量达一万亿（490亿活跃）的开源权重模型ML4（代号Le Chonk），支持多模态输入与文本输出，专攻编程、网络安全、金融、工业视觉定位等场景，计划10月27日开放权重，强调零数据留存与主权基础设施部署能力。
AI 语音一直“正在连接”？用 RUM 排查 WebSocket 建连问题
AI语音总卡在“正在连接”？本文教你一步步排查WebSocket建连疑难问题。核心内容：1. AI语音交互场景下建连问题的背景与排查难点2. 借助RUM记录握手信息定位问题范围的方法3. 通过Trace关联追踪服务端问题根因的流程
AI改图，终于懂点「用户心理学」了
快手技术团队推出电商图像编辑基座模型KwaiMind，融合通用编辑与电商专项能力，在Ecom-Bench评测中视觉总分位居开源模型第一；线上A/B实验显示其带来商品主图点击率相对提升约2.44%。模型采用多智能体数据引擎构建180万对高质量训练样本，并通过专项优化与多教师蒸馏（DiffusionOPD）统一基座能力。
AI会议转写真正的难点，不是识别内容而是认出谁在说话
Nvidia 发布 Nemotron 3 Diarization 模型，专注说话人分离（最多8人、支持实时），参数约1亿、免费开放。其核心价值在于将“谁在什么时候说话”从语音识别中解耦，但不解决“这个人是谁”的身份映射问题。DER 错误率14.7%，但实际效果受人数、噪声、混响影响显著；缓冲时长与准确率存在明确取舍。
微软出手！VibeVoice：90分钟4人对话TTS+60分钟长音频ASR，语音AI天花板开源了
微软研究院开源VibeVoice，支持60分钟长音频一次转写（带说话人分离）、90分钟4人对话TTS合成、0.5B参数实时TTS（首字延迟<300ms），并推出ASR-BitNet版可在纯CPU上运行。项目采用统一Next-Token Diffusion架构，被ICLR 2026接收为Oral论文。
千问办公，如何成为组织生产力底座？
千问办公将企业协作、Office交付、多模态创作、网页制作、数据分析和专业技能整合至统一工作台，核心目标是减少任务在多个软件间的信息搬运。它通过与钉钉深度打通、支持可编辑的Office产物、理解图文音视频输入、提供网页一键发布、聚合分析分散数据、封装岗位技能流程，推动AI从“生成答案”转向“连接业务环节”。
小米MiMo-V2.6系列发布：Pro登顶全球开源权重模型榜首，Flash以1/3成本逼近旗舰性能
小米MiMo-V2.6-Pro以46分成为Artificial Analysis‘智能指数’全球最高分开源权重模型，超越Grok 4.6与Gemini 3.8 Flash；配套的V2.6-Flash在多项智能体基准中达Pro的94%–97%性能，API成本仅为其三分之一，且全栈开源MIT许可。
jev模型刷屏，我在本地装了一个平替
JEV并非生成式大模型，而是专精于低延迟、低成本决策的「系统一模型」，仅支持Choice/Score/Noul三类结构化判定。browser-use将其接入浏览器自动化，通过DOM快照替代截图+多模态推理，协议调用减少91%。作者部署开源平替decider-2b-vision，在本地实现离线、免费、数据不出境的同类决策能力。
千问上线 Qwen3.8-Omni-Flash：1M 上下文，音频输入价格降幅超98%
9月18日，千问发布原生全模态模型Qwen3.8-Omni-Flash，支持文本、图像、音频与视频输入，上下文达1M。其音视频Agent能力显著提升，在30项评测中平均得分较上一代提升超26%；音频输入API价格降幅超98%，并开源Qwen-Live Harness以优化长程交互效率。
Gemini 3.8 Live：实时流式语音AI代理重塑人机对话范式
谷歌发布Gemini 3.8 Live与Live Extended Thinking两款音频模型，支持边流式输出语音响应边执行API/工具调用、实时视觉输入及97+语言，实现推理与交互延迟分离，使AI代理可被自然中断并持续上下文对话。
谷歌放大招了！开源AI项目Artemis，让手机自动化成功率飙升到99%
谷歌开源Android自动化AI项目Artemis，在AndroidWorld基准测试中任务完成率达99%以上，支持自然语言指令驱动、双模式执行（Flash/Pro）、MCP协议集成，并具备多模态定位与预执行检查等工程优化能力。项目已引发关于mobile-use代码归属的开源合规争议。