一手实测豆包新发布的视觉理解大模型，他们真的卷起飞了。
一手实测豆包新发布的视觉理解大模型，他们真的卷起飞了。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。
来自主题: AI资讯
8825 点击 2024-12-18 14:17
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
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。
通用语言模型率先起跑，但通用视觉模型似乎迟到了一步。究其原因，语言中蕴含大量序列信息，能做更深入的推理；而视觉模型的输入内容更加多元、复杂，输出的任务要求多种多样，需要对物体在时间、空间上的连续性有完善的感知，传统的学习方法数据量大、经济属性上也不理性...... 还没有一套统一的算法来解决计算机对空间信息的理解。
阔别九月，大家期待的 DeepSeek-VL2 终于来了！DeepSeek-MoE 架构配合动态切图，视觉能力再升级。从视觉定位到梗图解析，从 OCR 到故事生成，从 3B、16B 再到 27B，DeepSeek-VL2 正式开源。
大语言模型（LLMs）通过更多的推理展现出了更强的能力和可靠性，从思维链提示发展到了 OpenAI-o1 这样具有较强推理能力的模型。
李飞飞最新采访来了，继续延伸她在NeurIPS有关视觉智能的话题。
Hyper-YOLO是一种新型目标检测方法，通过超图计算增强了特征之间的高阶关联，提升了检测性能，尤其在识别复杂场景下的中小目标时表现更出色。
PaliGemma 2在多个任务上取得了业界领先的成绩，包括图像描述、乐谱识别和医学图像报告生成；并且提供了不同尺寸和分辨率的版本，用户可以根据不同的任务需求进行微调，以获得更好的性能。