多模态模型
拆解能同时看懂图片、表格、语音和视频的模型如何工作，以及它在截图排错、文档理解和视觉问答里的真实用处。
多模态模型能在同一个推理过程里同时处理文字、图片、音频和视频，而不是先把图或语音硬转成文字再分析。它把不同来源的信息联动起来，所以截图排错、表格识别、合同页面理解和商品图分析这类任务更顺手，VLM 则是其中聚焦“视觉+语言”的分支。能力边界在于复杂图表推理、长视频时序和需要精确数字的场景仍要人工复核。
豆包工作上线画布功能：素材成果同台整理，2.1 Lite 与新图片模型同步到位
豆包工作在 2026 年 10 月 9 日宣布，任务模式新增画布功能，同时上线豆包 2.1 Lite 模型，并接入图片模型 Seedream 5.0 Flash。按官方介绍，这次更新的主线不是单点能力，而是把复杂任务的素材、方案和成果从一轮轮对话里搬出来，摊到同一张画布上处理。豆包工作与普通豆包的分...
Admin
80 
Vidu Q4 Preview 发布：15 张参考图配 3 段音频，每秒只要 0.014 美元
Vidu Q4 Preview 是生数科技新一代旗舰音视频模型的首个公开预览版。2026 年 10 月 7 日，生数科技通过公司新闻稿正式发布 Vidu Q4 Preview，10 月 8 日又宣布该模型进入 YouCam 系列应用；模型已在 Vidu 网页产品和 API 平台上线，发布价低至每秒 ...
Admin
85 
Perplexity 开源多模态嵌入模型：文本和图片共用一个检索空间
Perplexity 的新嵌入模型把文本和图片放进了同一个检索空间。2026 年 10 月 7 日，Perplexity 首席执行官阿拉温德·斯里尼瓦斯宣布开源 pplx-embed-v2-late，权重已发布到 Hugging Face，采用 MIT 许可。这是一组多向量嵌入模型，包含 9B 与 ...
Admin
92 
GPT-6 全量上线 ChatGPT：回答能直接生成按钮和图表
GPT-6 于 2026 年 10 月 7 日由 OpenAI 宣布推向 ChatGPT 的更多用户，随同上线的还有一项名为 Intelligent UI 的新能力。上个月，首批 GPT-6 模型只面向付费客户开放；这次 OpenAI 推出一款面向大众的新 GPT-6 模型，官方称 ChatGPT ...
Admin
88 
AI 视频生成工具怎么选？做短视频、广告、练手别用同一款
AI 视频生成工具怎么选，先看你拿它做什么：发短视频求的是出片速度和网感，做广告求的是画面可控和商用稳定，练手求的是便宜和门槛低，专业影视求的是镜头语言和一致性。这四件事没有一款工具能同时做到最好，下面先分人群，再把主流工具的长短处拉开说，最后讲清每档不适合谁。 先分清四类人 短视频创作者：一天要出...
Admin
60 
EmbeddingGemma 2 发布：740M 参数，把多模态检索搬进手机本地
EmbeddingGemma 2 是 Google DeepMind 在 2026 年 10 月 6 日通过 Google 开发者博客发布的开放权重多模态嵌入模型，基于 Gemma 4 构建，只有 7.4 亿参数。它能把文本、图像、视频帧和音频原生映射到同一个向量空间里，让手机在本地直接做跨模态检索...
Admin
97 
Mistral Large 4 公开预览上线：1 万亿参数，月底开放权重
Mistral Large 4 是 Mistral AI 在 2026 年 10 月 6 日通过官方博客发布的公开预览版模型：总参数 1 万亿、激活参数 490 亿，原生多模态，是这家法国公司迄今最大的模型。预览 API 当天已在 Mistral Studio 上线，开放权重则要等到 10 月底——...
Admin
83 
AI 手机值不值得买？为 AI 多花钱，先看这三件事你用不用得上
AI 手机这两年成了发布会的主角：修图能一键消除路人，通话能实时翻译，助手能帮你订票写消息。问题是，这些功能里真正每天用得上的没几个，很多还不挑机型——老手机更新系统或装个 App 就能有。为 AI 功能专门多花一两千块换机，值不值，要看你是不是那类高频用户。 真实卖点只有三件 第一件是影像处理。路...
Admin
39