Gemini 3.5：具备行动能力的前沿智能
Google发布了Gemini 3.5模型，该模型专注于提升执行复杂任务的能力。其核心特点是支持“代理式工作流”，即能够像助手一样自主规划并执行一系列多步骤、复杂的操作，旨在将先进的语言理解与实际问题解决能力相结合。
多模态 大事记
重要进展 IMPORTANT_PROGRESS
2026-07-31 — 2026-07-31
重要进展 · 第 8 / 22 页
字节发布 Seedance 2.5：单次生成 30 秒视频，支持多模态参考与精准编辑
AIHOT事件 ↗原始外链未提供
多模态 精选历史资讯
— · 3 条
精选资讯 · 第 1 / 1 页
蚂蚁集团提出 ARGenSeg-8B：基于自回归图像生成模型的图像分割框架
蚂蚁集团推出 ARGenSeg-8B，一种将多模态理解与像素级感知统一的自回归图像生成分割框架。它利用多模态大语言模型（MLLM）输出视觉 token，并通过通用 VQ-VAE 解码为分割掩码，使分割完全依赖 MLLM 的像素级理解。采用 next-scale-prediction 策略并行生成视觉 token，降低推理延迟。在多个分割数据集上超越此前最优方法，推理速度显著提升。论文已被 NeurIPS 2025 接收，模型已发布在 HuggingFace。
SenseNova-U1空间智能突破，开源最大空间问答数据集
主推文赞扬了创新者在前沿领域的探索。引用的推文具体指出，SenseNova-U1在空间智能能力上取得进展，其关键基准测试表现超越了Qwen3.5等强劲基线。同时，团队开源了目前最大的空间问答数据集SenseNova-SI-8M，并邀请业界在CVPR会议进行线下交流。
分类
排序
暂无内容