如今，多模态大模型（MLLM）已经在视觉理解领域取得了长足进步，其中视觉指令调整方法已被广泛应用。该方法是具有数据和计算效率方面的优势，其有效性表明大语言模型（LLM）拥有了大量固有的视觉知识，使得它们能够在指令调整过程中有效地学习和发展视觉理解。
字节前几天的发布会，上线了一堆新的模型：视觉理解、3D 生成，以及全线降价
继视觉和听觉之后，AI已经进化到拥有嗅觉了？？ 你没听错，这是来自Osmo公司的最新技术，它们刚刚首次实现了由AI生成的李子味道。 而且生成味道的过程几乎是全自动的——除了放入水果和取出生成结果，全程都不需要人工干预。
2024年12月19日，智源研究院发布并解读国内外100余个开源和商业闭源的语言、视觉语言、文生图、文生视频、语音语言大模型综合及专项评测结果。
最近，2D/3D 内容创作、世界模型（World Models）似乎成为 AI 领域的热门关键词。作为计算机视觉的基础任务之一，多视角图像生成是上述热点方向的技术基础，在 3D 场景生成、虚拟现实、具身感知与仿真、自动驾驶等领域展现了广泛的应用潜力。
Florence-VL 提出了使用生成式视觉编码器 Florence-2 作为多模态模型的视觉信息输入，克服了传统视觉编码器（如 CLIP）仅提供单一视觉表征而往往忽略图片中关键的局部信息。
人在字节火山发布会现场。 眼睁睁看着他们发了一大堆的模型升级，眼花缭乱，有一种要一股脑把字节系的AI底牌往桌上亮的感觉。 有语音的，有音乐的，有大语言模型的，有文生图的，有3D生成。
从23年初的小规模尝试，到今年各大中小厂商纷纷入局，AIGC的能力以惊人的速度发展，并快速融入了社交、游戏等多条不同的赛道，共同编织出了一个新的领域——AI互娱。
如果从今年10月份开始算，截止到现在，视觉中国股价已经翻了一倍多。有点2022年底GPT概念股的架势。不过，视觉中国的涨停可不是靠概念，而是靠AI项目合作换来的。基于社区、场景和数据优势，目前国内包括智谱、通义千问、可灵AI、即梦AI、生数科技（Vidu）、爱诗科技（Pixverse）等几乎所有主流文生视频平台都接入了视觉中国。
国产大模型，正在引领 AI 技术新方向。 今天上午，月之暗面 Kimi 正式发布了视觉思考模型 k1，并已经上线了最新版的网页版以及安卓和 iOS APP。
