阿里云通义千问开源了全新的视觉模型Qwen2.5-VL，并推出了3B、7B和72B三个尺寸版本。其中，旗舰版Qwen2.5-VL-72B在13项权威评测中夺得视觉理解冠军，超越了GPT-4o与Claude3.5。阿里云官方介绍称，新的Qwen2.5-VL能够更准确地解析图像内容，并突破性地支持超过1小时的视频理解。该模型可以在视频中搜索具体事件，并对视频的不同时间段进行要点总结，从而快速、高效地帮助用户提取视频中的关键信息。此外，Qwen2.5-VL无需微调即可变身为一个能操控手机和电脑的AI视觉智能体（Visual Agents），实现多

今日，抖音副总裁李亮就有关字节跳动可能掀起大模型价格战的传闻发表了看法。他在社交媒体上明确表示，这并非价格战，而是通过技术创新来降低 AI 模型的使用成本。据了解，在火山引擎Force大会上，字节跳动正式发布了豆包视觉理解模型，同时公布其售价为千tokens输入0.003元，比行业平均价格便宜85%。对于字节跳动再掀大模型价格战这一传闻，抖音副总裁李亮发文回应称:这不是价格战。他表示，豆包大模型通过技术创新来降低成本，在算法、软件工程和硬件方案上做了非常多优化，

在2024年12月18日的火山引擎 FORCE 原动力大会上，火山引擎宣布对豆包大模型家族进行全面升级，并重磅发布了全新的视觉理解模型。火山引擎总裁谭待表示，豆包大模型的日均 tokens 使用量在过去几个月中迅猛增长，达到了超过4万亿，相较于5月发布时增长了33倍。这一增长趋势显示出豆包大模型在多个应用场景中的广泛使用。本次，火山引擎通过推出视觉理解模型，使得用户能够同时输入文本和图像的问题，模型能够综合理解并给出准确的回答。这一创新将大大简化应用的开发流程，并激

12月18日，在火山引擎FORCE原动力大会上，火山引擎总裁谭待发布了全新的豆包视觉理解大模型。该模型通过同时处理文本和图像相关信息，能够提供更为精准的答案。新模型在内容识别、理解和推理能力方面表现出色，并且具备更细腻的视觉描述能力，为企业用户带来了更强的智能处理能力。谭待在发布会上透露，豆包视觉理解大模型不仅在技术上实现了显著突破，而且在价格方面也大幅降低。自今年5月起，豆包大模型的行业价格已经降低了99%，使得企业用户能够更放心地应用这一技术。

Salesforce发布了一套名为xGen-MM的开源多模态AI模型，旨在同时理解和生成文本、图像等多种数据类型，显著改变AI研究与应用方式。该模型在多项基准测试中表现出色，与同类开源模型相比性能不俗，包含预训练模型、数据集和微调代码。最大模型拥有40亿个参数，能够处理“交错数据”，实现多任务执行，如同时回答关于多张图像的问题。模型的多样化选择反映了对AI能力与安全伦理平衡的关注。此次开源不仅提供了研究工具，还树立了AI领域透明度的新标杆，可能激励其他科技巨头更开放地分享研究。