¡La empresa de modelos grandes de Zhu Jun de Tsinghua ha recibido más financiación! Se ha probado internamente un modelo de difusión multimodal de miles de millones de parámetros, y se lanzará un conjunto de herramientas de IA este año.

Interview Kickstart lanza un curso de IA generativa para ayudar a los profesionales tecnológicos a aprovechar las oportunidades futuras

En el rápido desarrollo del campo de la inteligencia artificial (IA), el conocimiento especializado de los profesionales tecnológicos se ha vuelto cada vez más importante. Interview Kickstart, con sede en Santa Clara, California, ha anunciado recientemente una actualización de su curso "IA generativa aplicada", diseñado para ayudar a los profesionales tecnológicos a adaptarse a este mercado en rápida evolución. Esta noticia coincide con el lanzamiento por parte del gigante tecnológico chino Baidu de su nueva generación de modelos de IA, Ernie4.5 y Ernie X1, lo que ha generado un gran interés en la industria. Estos dos modelos básicos multimodales de Baidu...

ByteDance lanza UI-TARS-1.5: Agente multimodal de código abierto que lidera una nueva ola en la automatización de GUI

ByteDance ha lanzado oficialmente UI-TARS-1.5 en la plataforma Hugging Face, un agente multimodal de código abierto basado en un potente modelo de lenguaje visual. Este lanzamiento marca otro gran avance de ByteDance en el campo de la interacción automatizada con IA, ofreciendo a desarrolladores y usuarios una solución de automatización de GUI (interfaz gráfica de usuario) eficiente e inteligente para múltiples plataformas. UI-TARS-1.5: Un referente innovador en agentes multimodales. UI-TARS-1.5 es la nueva versión de la serie UI-TARS de ByteDance...

Modelo de agente inteligente Seed UI-TARS-1.5 de código abierto de ByteDance

El equipo de modelos ByteDance Doubao anuncia la publicación de código abierto de UI-TARS-1.5, un agente multimodal inteligente de código abierto basado en un modelo de lenguaje visual, capaz de ejecutar eficientemente diversas tareas en el mundo virtual. Este modelo ha logrado resultados SOTA (State-of-the-Art) en siete conjuntos de datos de evaluación de interfaz gráfica de usuario (GUI) típicos, y ha demostrado por primera vez su capacidad de razonamiento a largo plazo en juegos y su capacidad de interacción en espacios abiertos. Este proyecto de código abierto marca un hito en la tecnología de agentes multimodales inteligentes para GUI

Boletín diario de IA: ByteDance lanza el modelo de pensamiento profundo Doubao 1.5; WeChat lanza Yuanbao, su primer asistente de IA; OpenAI lanza o4-mini y la versión completa de o3

¡Bienvenido al apartado del "Boletín diario de IA"! Aquí encontrará su guía diaria para explorar el mundo de la inteligencia artificial. Todos los días le presentamos los temas más relevantes del ámbito de la IA, centrados en los desarrolladores, para ayudarle a comprender las tendencias tecnológicas y las innovaciones en aplicaciones de productos de IA. Para obtener más información sobre los nuevos productos de IA, haga clic aquí: https://top.aibase.com/1、OpenAI lanza dos modelos de razonamiento multimodal, o4-mini y la versión completa de o3. En una transmisión en vivo de tecnología, OpenAI presentó sus últimos modelos multimodales o4-mini y la versión completa de o3,

Shanghai AI Lab lanza la versión mejorada del modelo multimodal multifacético: Shu Sheng · Wan Xiang 3.0

OpenAI lanza el nuevo modelo de razonamiento o3 con capacidad de pensamiento de imágenes

OpenAI ha lanzado recientemente sus últimos modelos de razonamiento, o3 y o4-mini, marcando un gran avance en el campo de la inteligencia artificial. Estos dos modelos no solo superan a las versiones anteriores en capacidad de razonamiento, sino que también logran por primera vez la capacidad de pensamiento de imágenes, pudiendo integrar la información visual directamente en el proceso de pensamiento. o3 ha sido aclamado como un modelo de "nivel genio", especialmente destacable en tareas de programación y matemáticas, con una precisión del 87,5%. Los modelos o3 y o4-mini lanzados esta vez muestran un excelente rendimiento en el procesamiento multimodal, con capacidad para...

万卷·丝路 2.0: Conjunto de datos multimodales multilingüe de código abierto del Laboratorio de IA de Shanghai

El Laboratorio de IA de Shanghai ha publicado oficialmente el corpus multilingüe y multimodal "万卷·丝路 2.0", de código abierto. Este corpus añade tres idiomas con datos escasos (serbio, húngaro y checo) a los cinco idiomas existentes (árabe, ruso, coreano, vietnamita y tailandés). Abarca cuatro modalidades: texto, imagen, audio y vídeo, con un total de más de 11,5 millones de datos y más de 26.000 horas de audio y vídeo, convirtiéndose en un recurso importante en el campo multimodal de idiomas minoritarios.

OpenAI lanza dos modelos de razonamiento multimodal: o4-mini y la versión completa de o3

En la transmisión técnica de la 1:00 a.m. de hoy, OpenAI presentó oficialmente sus modelos multimodales más nuevos y poderosos: o4-mini y la versión completa de o3. Estos dos modelos poseen ventajas únicas, ya que no solo pueden procesar texto, imágenes y audio simultáneamente, sino que también pueden funcionar como agentes inteligentes que llaman automáticamente a herramientas como búsqueda en la web, generación de imágenes, análisis de código, etc., y poseen un modo de pensamiento profundo que les permite razonar sobre imágenes en una cadena de pensamiento.

ByteDance lanza el modelo multimodal Liquid de código abierto: una revolución en la generación unificada de imágenes y texto

El campo de la inteligencia artificial ha experimentado un gran avance. AIbase ha obtenido información de las redes sociales de que ByteDance ha anunciado recientemente el lanzamiento de código abierto de su nuevo modelo generativo multimodal Liquid. Este modelo, con su innovadora codificación unificada y su arquitectura de modelo de lenguaje grande único (LLM), ha logrado una integración perfecta de las tareas de comprensión y generación de imágenes. Este lanzamiento no solo muestra la ambición tecnológica de ByteDance en IA multimodal, sino que también proporciona a los desarrolladores de todo el mundo una potente herramienta de código abierto. A continuación, AIbase ofrece un análisis profundo del modelo Liquid, explorando sus innovaciones tecnológicas y su núcleo.

Investigación conjunta de Apple y la Sorbona: Fusión temprana y arquitectura dispersa impulsan el desarrollo de la IA multimodal

En el campo de la inteligencia artificial (IA) multimodal, los ingenieros de Apple han colaborado con un equipo de investigación de la Universidad de la Sorbona en Francia en un estudio importante. Recientemente, el medio tecnológico marktechpost publicó una entrada en el blog que analiza la aplicación y las perspectivas de los modelos de fusión temprana y tardía en la IA multimodal. El estudio muestra que los modelos de fusión temprana entrenados desde cero ofrecen una mayor eficiencia computacional y escalabilidad. El objetivo de la IA multimodal es procesar simultáneamente varios tipos de datos, como imágenes y texto; sin embargo, la integración de estas fuentes de información diferentes presenta desafíos.