​阿里云百炼大模型服务平台最近推出了“音视频实时互动”功能，使用户能够轻松搭建多模态AI应用，无需编程知识。这一新功能使得用户可以快速将AI模型集成到Web、iOS和Android应用中，并与他人分享。用户可以通过简单的步骤来搭建智能体应用:首先新建智能体应用，然后在阿里云百炼平台上选择并配置所需的文本、语音或视觉理解大模型。平台提供了200多种大模型，包括具备强大视觉智能体能力的阿里云Qwen2-VL大模型。接下来，用户需要编写提示词，设置音视频API-KEY，并发布自己的专属AI应用。

国家电网有限公司近日宣布推出我国电力行业的首个千亿级人工智能大模型——光明电力大模型，并与百度集团、阿里巴巴集团签署了战略合作框架协议。官方表示，将与签约各方共同建设光明电力大模型，推动能源电力科技创新与产业创新的融合发展。

谷歌云近日发布了一份趋势报告，指出2025年企业将进入 AI 全面应用的新时代，AI 智能体、多模态 AI 以及企业搜索将成为主流趋势。报告中提到，2024年是 AI 实验的阶段，而2025年则是企业大规模应用 AI 的关键年。图源备注：图片由AI生成，图片授权服务商Midjourney在未来，AI 智能体将广泛嵌入企业内部，负责执行复杂的多步骤任务。根据 Capgemini 的研究，目前仅有10% 的大型企业在使用 AI 代理，但预计在未来三年内，82% 的企业计划整合这一技术。谷歌识别了六种类型的 AI 智能体，包括客户智

李飞飞团队推出了一种新的多模态模型，该模型能够理解和生成人类的动作，并通过结合语言模型，实现了对口头和非口头语言的统一处理。 这一突破性的研究，使得机器不仅可以理解人类的指令，还能读懂动作中蕴含的情绪，从而更自然地进行人机交互。该模型的核心在于其多模态语言模型框架，能够接收音频、动作和文本等多种形式的输入，并输出所需的模态数据。 结合生成式预训练策略，该模型在多个任务上展现出卓越的性能。 例如，在协同语音手势生成方面，该模型不仅超越了

AI应用搭建平台扣子Coze在火山引擎FORCE原动力大会上宣布推出全新版本——扣子1.5。这一更新标志着扣子平台在AI应用开发领域迈出了重要一步，旨在为用户提供更加强大和便捷的开发环境。扣子1.5版本的核心亮点在于其支持GUI（图形用户界面）搭建界面，并能一键发布为小程序、H5、API等多种应用形态。这一功能使得无论用户是否具备编程基础，都能快速搭建基于大模型的各类Bot，并将它们发布到社交平台、通讯软件或部署到网站等渠道。

在2024火山引擎FORCE原动力大会·冬上，字节跳动还发布了火山引擎全域AI搜索。这项服务通过整合场景化搜索推荐、企业私域信息整合以及联网问答服务，将企业信息、业务需求与用户需求紧密结合，助力企业实现更精准的推荐和更广泛的信息发现。

随着人工智能的快速发展，视觉与语言能力的整合引发了视觉语言模型（VLMs）的突破性进展。这些模型旨在同时处理和理解视觉与文本数据，广泛应用于图像描述、视觉问答、光学字符识别以及多模态内容分析等场景。VLMs 在开发自主系统、增强人机交互以及高效文档处理工具方面发挥了重要作用，成功地弥合了这两种数据模态之间的差距。然而，在高分辨率视觉数据和多样化文本输入的处理上，仍然存在许多挑战。目前的研究已经部分解决了这些限制，但大多数模型采用的静态视觉编码

Twelve Labs开发了一款创新的AI技术，能够分析和搜索视频内容。用户可以通过特定内容进行搜索，例如“穿红衬衫的人何时进入餐厅”，还能够对视频片段进行自动总结。这项技术已经吸引了Nvidia、三星和英特尔等大牌投资者的关注。与谷歌的Gemini等现有技术相比，Twelve Labs的最大优势在于其高度的可定制性，客户能够使用自己的数据来训练模型，针对具体需求优化功能。公司联合创始人兼CEO李在（Jae Lee）表示，视频作为增长最快、数据最密集的媒体，现有的搜索方式无法满足日益增长的需

近日，来自伊利诺伊大学厄巴纳 - 香槟分校、Sony AI 及 Sony 集团公司的研究团队推出了一项名为 MMAudio 的新技术，该技术旨在通过多模态联合训练，实现高质量的视频到音频合成。MMAudio 的核心创新在于能够利用视频和文本输入生成同步的音频，从而拓展了音频生成的应用场景，支持输入视频或文本，生成符合视频内容的音效。MMAudio 的设计使其能够在各种视听和音频文本数据集上进行训练。这种多模态联合训练的方式，不仅提高了合成音频的质量，还确保了生成的音频与视频帧之间的同步

谷歌今日宣布推出其最新一代人工智能模型 Gemini 2.0，这是该公司迄今为止最强大的AI模型。这一重大升级不仅在性能上有显著提升，更标志着人工智能向代理时代迈进的重要一步。根据谷歌和Alphabet首席执行官Sundar Pichai的介绍，Gemini 2.0在多模态能力和原生工具使用方面都实现了突破性进展。新模型不仅能够理解和处理文本、图像、视频、音频等多种形式的输入，还首次支持原生图像生成和文本转语音等多模态输出功能。"如果说Gemini 1.0是关于组织和理解信息的，那么Gemini 2.0就是为了让信

​谷歌公司及其母公司Alphabet的首席执行官桑达尔·皮查伊宣布，公司推出了最新人工智能模型——Gemini2.0，这标志着谷歌在构建通用AI助理领域迈出了重要一步。Gemini2.0在多模态输入处理和原生工具使用方面展现了显著进步，使得AI代理能够更深入地理解周围世界，并在用户监督下代表用户采取行动。

根据市场研究机构 Omdia 的最新报告，全球生成式人工智能（AI）市场仍处于起步阶段，预计将在未来五年内实现五倍增长，从2024年的146亿美元跃升至2029年的728亿美元。这个市场的增长主要受到消费类、企业服务、零售、媒体娱乐和医疗保健等领域的推动。图源备注:图片由AI生成，图片授权服务商Midjourney生成式 AI 的应用领域正不断扩展，其中多模态生成式 AI 技术被认为是下一个前沿，因其能够实现多样化的功能，正在推动各行业的应用案例。具体而言，这些技术已经在客户服务、企业知

根据Omdia今天发布的最新预测，全球生成式AI市场在未来五年将迎来爆发式增长，预计从2024年的146亿美元增长到2029年的728亿美元，增长幅度为五倍。预计消费类、企业服务、零售业、媒体娱乐业和医疗保健业将成为这一增长的主要驱动力。图源备注：图片由AI生成，图片授权服务商MidjourneyOmdia指出，多模态生成式AI技术是生成式AI的下一个前沿领域。凭借其日益增强的多样化功能，这一技术正在推动各行业的应用案例，如客户服务、企业知识管理、3D数字分身以及制造业等。多模态生成式AI通

近日，视觉中国宣布与北京生数科技有限公司建立战略合作关系，双方将共同探索并建立“视觉产业大模型平台及应用”。这一合作致力于深化人工智能技术在视觉内容产业的应用，并推动产业智能化升级，旨在为全球视觉内容创作者和使用者提供更高效、智能的服务。

近日，上海 AI 实验室宣布推出书生·万象InternVL2.5模型。这款开源多模态大型语言模型以其卓越的性能，成为首个在多模态理解基准(MMMU)上超过70%准确率的开源模型，与商业模型如GPT-4o和Claude-3.5-Sonnet等的性能相媲美。

北京智谱华章科技有限公司宣布，其旗下的智谱开放平台BigModel上线了首个免费的多模态API——GLM-4V-Flash。这一新模型基于4V系列模型的优秀能力，在图像处理方面实现了精确度的提升，进一步降低了开发者在各领域深入挖掘大模型的门槛。

OpenAI在今日举办的“12天12场直播”活动的首秀中宣布了两项重要更新:推理大模型o1的完整版本及其进阶模式，同时推出了每月收费200美元的ChatGPT Pro订阅服务。o1大模型的完整版本将逐步向ChatGPT Plus用户开放，该模型以一种更接近人类思维方式的内部思维链条来回答问题，提高了专业问题回答的准确性。与9月份上线的o1预览版相比，完整版o1模型在速度、性能和准确性上都有显著提升，同时新增了多模态输入功能，允许用户上传图片以获得更准确的回答。

近日，厦门大学信息学院史晓东教授团队的“基于甲骨文多模态大模型的多元信息甲骨文辅助考释模型”入选“探元计划2024”创新探索型项目TOP10榜单，为甲骨文的现代化考释开辟了新路径。甲骨文作为世界四大古文字之一，已有三千多年的历史，是现代汉字的源头。然而，传统的甲骨文考释依赖专家的人工解读，工作繁琐且耗时。尽管采用字形分析和辞例研究等方法，解读过程依旧困难重重。近年来，人工智能特别是深度学习模型的崛起，为甲骨文的辅助考释提供了新思路。厦门大学团

近日，OpenAI 宣布从竞争对手 Google DeepMind 引入三名资深计算机视觉和机器学习工程师，进一步加强其在人工智能领域的研发能力。这三位新员工分别是 Lucas Beyer、Alexander Kolesnikov 和 Xiaohua Zhai，他们将于在瑞士苏黎世的新办公室工作。OpenAI 的高管在周二的内部备忘录中透露了这一消息，表示这三位工程师的加入将为公司的多模态 AI 项目注入新的活力。多模态 AI 是指能够处理和理解不同媒介（如图像和音频）的人工智能模型。随着 AI 技术的快速发展，如何将不同类型的数据进行有效融合，

亚马逊近日在其 AWS re:Invent 大会上宣布了一系列新的 AI 基础模型，采用全新的 “Nova” 品牌。这些模型将作为亚马逊 Bedrock 模型库的一部分提供，标志着亚马逊在人工智能领域的进一步发展。Amazon 在一篇博文中表示，现在有三种“理解”模型可用:Nova Micro，这是一款专为速度和成本优化的文本模型。 Nova Lite，这是一款 “非常低成本” 的多模态模型，可以同时处理图像、视频和文本，并生成相应的文本内容。 Nova Pro，这是一款 “高能力” 的多模态模型，适合更复杂的任务。此外，亚马逊