Mistral 发布 OCR 4 文档理解模型，新增边界框、块分类与置信度分数
Mistral 发布 OCR 4，在提取文本外返回边界框、类型化块分类和逐词置信度分数，支持 170 种语言，可单容器自托管部署。
多模态 大事记
重要进展 IMPORTANT_PROGRESS
2026-06-01 — 2026-06-01
重要进展 · 第 14 / 22 页
Qwen3.7-Plus：多模态智能体模型发布
AIHOT事件 ↗原始外链未提供
多模态 精选历史资讯
— · 7 条
精选资讯 · 第 1 / 3 页
京东全栈开源JoyAI-VL-Interaction，从“一问一答”走向“边看边说”
京东近日开源全球首个全栈交互模型JoyAI-VL-Interaction，获vLLM-Omni原生支持。该模型能持续观察视频流、主动判断关键事件并实时响应，支持将复杂任务委托后台Agent处理。在58个真人盲评中，对比豆包视频通话助手胜率77.6%，对比Gemini视频通话助手胜率87.9%，监控预警场景达100%胜率。开源内容包括模型权重、交互数据集、训练方案及完整可部署系统，支持摄像头、直播流等视频输入及语音交互、长期记忆、vLLM部署，适用于安防监控、老人看护、直播讲解等实时场景。
豆包音频生成模型1.0发布，重新定义AI音频创作
火山引擎正式发布豆包音频生成模型1.0（Doubao-Seed-Audio 1.0），支持文本与音频参考生成，端到端输出目标音频。单条Prompt可编排多角色对白、情绪语气、背景音乐及环境氛围，长时生成中保持多角色音色一致性，无需后期多轨混音。模型支持0样本多模态输入，无需额外训练即可生成；实现音色与风格解耦控制及“一声多角”能力。一次支持2分钟音频创作，多次延长保持音色统一。已开启火山方舟API邀测，个人用户享30分钟创作额度，即将上线剪映、即梦、番茄等产品。
分类
排序
暂无内容