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。

1 条精选近 30 天 1 条共收录 2 条

更新

多模态的精选

10月28日周三第 1–1 条
  1. Google DeepMind82

    Google DeepMind 发布世界模型 Genie 4

    Google DeepMind 发布新一代世界模型 Genie 4，可实时生成带原生音频的交互式模拟世界，并以研究预览形式向可信测试者开放。该模型原生多模态，能同时生成音乐、环境音和可交互对话，并借助 Gemini Omni 锚定真实外观、Gemini 3.8 Flash 作为引导智能体拆解多步任务。

    推荐理由：官方披露了原生音频、实时语言操控和 Gemini 引导多步事件四项能力，可据此判断世界模型与推理模型结合的走向。