AITOPAI热报

多模态

共 849 条相关 AI 资讯 · 查看话题观测
5月28日
10:28
10:28Google Gemini App@GeminiApp
Google 宣布 Gemini Omni 现已面向所有 Google AI Plus、Pro 和 Ultra 订阅用户开放，支持网页版和 Gemini 应用。该功能提供了更强大的多模态交互能力，用户可以在对话中同时处理文本、图像和音频。此次开放标志着 Gemini 在多模态 AI 领域的重要进展，订阅用户可以直接体验。
AI产品Gemini多模态订阅服务
推荐理由：多模态交互是 AI 的下一个关键方向，Gemini Omni 让订阅用户能同时处理文本、图像和音频，做内容创作或数据分析的团队值得立即体验。
原文
5月26日
16:35
16:35官方一手marktechpost@Sana Hassan
本文是一篇技术教程，详细介绍了如何使用 TuringEnterprises/Open-MM-RL 数据集构建完整的多模态强化学习与可验证奖励（RLVR）管线。教程涵盖数据集加载、模式检查、领域分析、问题长度与答案类型统计、图像分布可视化等预处理步骤。还构建了轻量级奖励函数，支持精确匹配与语义评分，并演示了 GRPO 导出流程。该管线为多模态推理任务提供了可复现的实践框架，适合研究者和开发者快速上手。
论文多模态强化学习RLVR
推荐理由：多模态 RLVR 是当前强化学习与视觉语言结合的热点方向，这篇教程从数据集到奖励函数再到导出一步到位，做多模态推理或 RL 研究的团队可以直接照着搭，省去自己踩坑的时间。
原文
11:49
11:49官方账号arXiv cs.AI@Junyuan Liu, Xinglei Wang, Zichao Zeng, Jiazhuang Feng, Quan Qin, Ilya Ilyankou, Guangsheng Dong, Tao Cheng
精选
城市表示学习将复杂城市环境编码为通用嵌入，但现有评估多局限于少数城市和任务，且随机划分导致空间泄漏，高估性能。CityRep 提出统一基准，包含空间单元无关的评估框架、基于区块的空间划分协议，以及覆盖 8 城市 8 任务的可扩展套件。评估 11 个模型发现，随机划分会扭曲性能排名，且模型表现因城市和任务差异显著。该基准提供数据集、评估管道和诊断工具，旨在推动城市表示学习的公平比较和泛化能力研究。
论文城市表示学习基准测试空间划分
推荐理由：城市表示学习领域终于有了一个靠谱的评估标准——CityRep 解决了空间泄漏和跨城市泛化评估的痛点，做城市计算或地理空间 AI 的研究者可以直接用这个基准来检验自己的模型，避免被随机划分的虚假高分误导。
原文
5月25日
20:56
20:56官方账号阿里云 Alibaba Cloud@alibaba_cloud
在Qwen Conference 2026上，行业领袖和生态先驱在基础模型论坛中围绕“Qwen的多模态未来”展开圆桌讨论。他们探讨了驱动跨模态对齐的架构变革，并深入分析了AI原生趋势。会议旨在揭示多模态AI的最新进展和未来方向。活动详情可通过链接获取。
行业多模态Qwen架构变革
推荐理由：关注多模态AI架构演进的开发者，这场圆桌讨论能帮你理解跨模态对齐的核心技术趋势，值得一看。
原文
17:54
17:53
17:38
14:42
14:42官方账号阿里云 Alibaba Cloud@alibaba_cloud
阿里云将于5月26日在新加坡金沙会展中心举办Agentic AI前沿峰会，汇聚行业先驱与远见者。会议将深入分析Agentic AI的核心基础设施及跨行业多模态工作流。该峰会旨在探讨AI代理技术的最新进展与行业应用，为参会者提供前沿洞察。活动详情可通过链接获取。
行业阿里云Agentic AI多模态
推荐理由：想了解Agentic AI最新趋势的开发者与行业决策者，这场峰会值得关注——阿里云将展示从底层基础设施到跨行业应用的全景图。
原文
10:16
5月24日
16:36
16:02
5月23日
02:16
01:48
01:48Ethan Mollick@emollick
76°
Ethan Mollick 指出，Gemini Omni 与其他视频 AI 的关键区别在于其完全多模态能力，可以原生编辑视频。他展示了将1896年经典电影《火车进站》中的火车改为子弹头列车、乐高风格，并添加时间旅行者、蜈蚣和布偶等元素。视频中甚至保留了反射效果，体现了 Gemini Omni 对视频内容的深度理解和编辑能力。这一演示凸显了 Gemini Omni 在视频生成和编辑领域的独特优势。
AI产品Gemini Omni多模态视频编辑
推荐理由：Gemini Omni 的原生视频编辑能力让创作者可以直接在视频中做复杂修改，做视频内容或 AI 应用的开发者值得关注，看看它如何理解并重构视频场景。
原文
5月22日
15:16
07:53
5月21日
15:14
08:01
08:01Google Gemini App@GeminiApp
Google 宣布全球 AI Plus、Pro 和 Ultra 订阅用户现可在 Gemini 应用中试用 Gemini Omni 功能。该功能允许用户直接在应用内进行多模态交互和创作。Google 鼓励用户分享自己的创作成果。此举标志着 Google 在 AI 多模态能力上的进一步扩展，面向高级订阅用户开放。
AI产品Gemini多模态订阅用户
推荐理由：Google 将多模态 AI 能力直接集成到 Gemini 应用中，Plus/Pro/Ultra 订阅用户现在就能上手体验，做内容创作或 AI 实验的团队值得一试。
原文
08:01
08:00
08:00
08:00官方一手歸藏(guizang.ai)@op7418
72°
谷歌在 I/O 大会上宣布将 Antigravit 整个生态整合进 Gemini，Gemini CLI 更名为 Antigravit CLI，并发布对应 SDK。Antigravit 2.0 版本更像 Codex，而非 Cursor。实测 Gemini 3.5 Flash 配合 Antigravit 在排版上表现不错，但权限审批繁琐、缺少内置浏览器等细节体验不足。整体仍处于早期阶段，适合基础任务。
AI产品谷歌 I/OAntigravitGemini
事件专题
推荐理由：谷歌把 Antigravit 生态整合进 Gemini，做 AI 编程的开发者可以试试它的多模态排版能力，但别期待太复杂的自动化——权限和体验还差一截。
原文
08:00
08:00
08:00
08:00
08:00
08:00IT之家（博客/媒体）
83°
谷歌在 2026 I/O 开发者大会上宣布，Gemini 3.5 Pro 模型将于下月正式发布。目前该模型已在谷歌内部使用，官方称其进步非常强，但未透露具体细节。这一消息表明谷歌在 AI 模型迭代上持续加速，Gemini 3.5 Pro 有望在性能、多模态或推理能力上带来显著提升，值得开发者和 AI 从业者关注。
AI模型Gemini 3.5 Pro谷歌推理模型
事件专题
推荐理由：谷歌 Gemini 系列模型迭代节奏加快，3.5 Pro 内部使用已获「进步超强」评价，做多模态或推理应用的开发者值得提前关注，下月发布后可直接上手体验。
原文
08:00
08:00
03:22
5月20日
18:46
18:46官方账号阿里云 Alibaba Cloud@alibaba_cloud
精选
阿里云宣布将于2026年举办Qwen Conference，主题议程聚焦AI原生云、智能体原生云架构、推理未来和多模态视觉技术。会议承诺无冗余内容，直接提供面向全球规模的工程蓝图。该会议旨在展示阿里云在AI基础设施和智能体领域的最新进展，为开发者和企业提供可落地的技术方案。目前已开放注册。
行业AI原生云智能体推理
推荐理由：阿里云首次将AI原生云和智能体原生云架构作为核心议题，做云原生和AI基础设施的团队可以提前了解工程蓝图，建议关注注册。
原文
18:30
15:14
15:14AI Will@FinanceYF5
83°
Google AI 今日宣布推出全新智能搜索框，集成了其最先进的 Gemini 3.5 模型，带来更强的智能体能力。用户可以通过文本、图像、文件和视频等多种模态进行提问，搜索能够跨模态进行推理。该搜索体验将 AI Overviews 和 AI Mode 合并为统一的 AI 搜索体验，支持追问、构建上下文，并提供更个性化的回答。新功能已在全球桌面端和移动端上线。
AI产品Gemini 3.5智能搜索多模态
推荐理由：Google 将 Gemini 3.5 的智能体能力直接嵌入搜索，意味着日常搜索从关键词匹配升级为多模态推理助手。重度依赖搜索获取信息的用户、研究者和开发者，值得立刻体验这种能理解图片和视频的搜索方式。
原文
14:35
13:09
13:09berryxia@berryxia
83°
Google DeepMind 推出了 Gemini 3.5 Flash 模型，在 Intelligence Index 上获得 55 分，比上一代 Gemini 3 Flash 高 9 分，超越 Grok 4.3 和 Claude Sonnet 4.6。Agentic 任务 Elo 评分达 1656，幻觉率从 92% 降至 61%，多模态理解 MMMU-Pro 达 84%，输出速度超 280 tokens/s，比前代快 70%。但成本大幅上升，运行一次测试的成本是 Gemini 3 Flash 的 5.5 倍，定价为 $1.5/$9 per 1M input/output tokens，是前代的 3 倍。这标志着智能与速度的 Pareto 前沿被刷新，但“Flash”系列的性价比优势不再。
AI模型Gemini 3.5 FlashGoogle DeepMind推理模型
推荐理由：Gemini 3.5 Flash 在智能和速度上实现了突破，做 AI 应用或 agent 开发的团队值得关注——性能提升显著，但预算敏感型项目需要重新评估成本。
原文
09:28
09:28官方账号Google AI@GoogleAI
72°
Google 宣布推出全新智能搜索框，将 AI Overviews 和 AI Mode 合并为统一的 AI 搜索体验。该搜索框基于最先进的 Gemini 3.5 模型，支持文本、图像、文件和视频等多模态输入，并能跨模态进行推理。用户可提出后续问题、构建上下文，获得更个性化和精准的回复。新搜索体验已在全球桌面端和移动端上线。
AI产品Gemini 3.5AI 搜索多模态
推荐理由：Google 将 AI 搜索能力整合进一个统一入口，做搜索优化或内容运营的团队值得关注——这意味着用户行为和数据反馈将更集中，直接影响 SEO 策略和内容分发逻辑。
原文
08:13
08:13berryxia@berryxia
83°
Google I/O 2026 主题演讲由 Sundar Pichai 主讲，聚焦「Agentic Gemini 时代」，强调 AI 从聊天机器人进化为能自主思考、执行任务、跨设备运行的「世界模型」。主要发布包括 Gemini 3.5 Flash（速度提升 4 倍，默认模型）、Gemini Omni 多模态世界模型（支持任意输入输出，理解物理世界）、Gemini Spark 全天候自主 Agent，以及 Android XR 智能眼镜预览。Google 将 AI 深度整合到 Search、Workspace、Gmail 等产品中，并推出开发者工具 Antigravity 2.0。整体策略务实，注重落地而非参数竞赛。
行业Google I/OGemini智能体
推荐理由：Google 把 AI 从聊天工具升级为操作系统级智能体，做开发、用搜索、搞创意的团队都能直接受益——Gemini 3.5 Flash 已可用，建议开发者立刻试试。
原文
07:26
07:26orange.ai@oran_ge
83°
Google 昨晚发布 Gemini flash 3.5 模型，现已可用。该模型在多项指标上大幅超越 3.1 Pro，与 GPT 5.5 接近，且在 Agentic 和多模态能力上更优。价格仅为 GPT 5.5 的三分之一，缓存价格六分之一，API 定价 $1.50/$9.00 每百万 token。上下文窗口达 1M token，速度是其他旗舰模型的 4 倍，非常适合 Agent 场景。
AI模型Geminiflash 3.5推理模型
推荐理由：做 Agent 和多模态应用的开发者终于有了性价比更高的选择——Gemini flash 3.5 速度是旗舰模型的 4 倍，价格却只有 GPT 5.5 的三分之一，建议直接试 API。
原文
04:16
03:48
03:48官方一手Google Blog: AI（博客/媒体）
72°
Google 在 Search IO 2026 上宣布了搜索引擎与AI深度融合的新阶段，将传统搜索的精准性与AI的生成能力结合。新功能包括更智能的对话式搜索、多模态理解（图片、视频、文本混合查询）以及个性化结果生成。这一更新旨在提升用户获取信息的效率，同时保持搜索结果的可靠性。Google 强调，AI 不会取代搜索，而是增强其能力，让用户能更自然地探索复杂问题。
AI产品AI搜索Google搜索引擎
推荐理由：Google 把搜索引擎和AI生成能力真正打通了，做搜索优化或内容运营的团队值得关注——这可能会改变用户获取信息的方式，建议点开看看具体怎么落地。
原文
03:17
03:17