TAG:多模态
枢途开源HORA数据集：10万轨迹全视频采集，赋能通用具身训练
枢途科技发布业界首个从真实场景人类视频中提取的多模态具身智能数据集HORA，包含15万条高质量轨迹，覆盖多种实际应用场景。该数据集基于SynaData技术构建，支持毫米级轨迹提取和跨本体适配，有效解决传统数据采集成本高、通用性差的问题，为机器人技能训练提供完整、可直接使用的数据基础。
1048 
0 
长跑型AI亮相：Jan团队推出Jan-v2-VL，提升多步任务执行能力
Jan团队发布Jan-v2-VL-Max多模态大模型，专注于解决AI在长周期执行任务中的稳定性问题。该30B参数模型采用LoRA-based RLVR技术，有效减少多步操作误差累积，抑制幻觉现象，在幻象递减回报基准测试中超越Gemini2.5Pro等模型，适用于Agent自动化、UI控制等复杂场景，支持网页体验和本地私有化部署。
MiniMax通过港交所聆讯 AI应用加速落地普及
国产大模型企业MiniMax已通过港交所聆讯，计划于2026年上市，有望成为全球最快IPO的AI公司。公司服务全球超2亿用户和10万家企业，实现可持续盈利。文章分析了多模态大模型的技术进步与商业化前景，并提及了值得买、巨人网络等上市公司与MiniMax的合作关系。
谭待对话火山引擎：大模型深入复杂场景
火山引擎总裁谭待在Force原动力大会上分享了对大模型产业发展的最新洞察。文章探讨了多模态技术如何推动AI从对话走向执行，Agent开发成为落地关键瓶颈，以及AI原生架构如何围绕Agent重构云基础设施。谭待还分析了从Token计费到Agent商业模式的演进趋势，为行业提供了商业化路径的思考。
全球首个物理AI全模态测试基准发布 重塑AI与现实连接
飞捷科思智能科技与复旦大学联合发布全球首个面向真实物理世界的统一全模态评测基准FysicsWorld，旨在解决AI在物理世界感知与理解上的短板。该基准包含16大类高难度任务，要求AI整合视觉、听觉、语言等多模态信息进行深度推理，并引入防作弊机制确保测试有效性。这一成果为AI从虚拟对话迈向真实行动提供了关键评估工具，加速具身智能与机器人技术的发展。
火山引擎升级豆包语音识别模型2.0 多语种识别精度显著提升
火山引擎发布豆包语音识别模型2.0，该模型在推理能力和多模态理解上实现显著升级。它不仅针对专有名词、多音字等复杂场景优化，提升识别准确率，还新增对13种海外语言的支持，并能结合图像内容进行精准识别，有效拓展了跨语言和多场景应用。
OCR的“轻骑兵”突袭：当腾讯混元，用10亿参数，重塑“文字识别”
腾讯混元开源全新OCR模型HunyuanOCR，仅10亿参数却斩获多项SOTA成绩。该模型采用端到端设计，在复杂文档解析、多场景文字检测识别中表现卓越，支持14种小语种翻译并荣获ICDAR2025冠军。轻量化架构便于部署，已应用于卡证处理、视频创作等场景，用户可通过GitHub和Hugging Face快速体验。
30秒生成应用的AI助手来了！蚂蚁集团灵光App正式上线
蚂蚁集团正式发布全模态通用AI助手“灵光”，创新实现30秒内通过自然语言生成可编辑、可交互的小应用。该应用支持3D模型、音视频、图表等多模态内容输出，提供“灵光对话”、“灵光闪应用”和“灵光开眼”三大功能，让复杂信息简单呈现，普通用户也能零门槛享受AI编程带来的生产力变革。
