多模态模型专题

共 7 篇文章，按时间倒序展示。

Qwen3.8-Omni-Flash 发布：多模态输入与百万上下文

阿里云上线 Qwen3.8-Omni-Flash，支持文本、图像、音频和视频输入，最高提供 1M 上下文，可通过 Chat Completions 或 Responses 接入函数调用与联网检索，适合多媒体分析、会...

2026年09月20日TechFoco

智谱 GLM Coding Plan 于 9 月 3 日至 20 日推出夜间畅用活动，每晚 23 点至次日 9 点按北京时间自动生效，覆盖所有付费套餐用户。错峰时段调用 GLM-5.3-Flash，在 ZCode...

2026年09月04日TechFoco

World Labs 发布 Atlas，据称是全球首个多模态世界模型，可生成图像和视频帧，支持像素级相机控制并重建为 3D，用于建模世界、移动镜头和模拟时空。官方尚未披露模型规模、许可证、API 与部署方式。

2026年09月02日TechFoco

GLM-OCR 将 OCR 全流程整合为单一工具，提供从布局分析到文本识别的完整文档理解方案。在 OmniDocBench V1.5 基准测试中得分 94.62，排名第一。支持复杂表格、公式、代码识别，仅 0.9B...

2026年05月11日TechFoco

FullFront 是一个针对多模态大语言模型的前端工程基准测试平台，覆盖设计、理解与代码生成三大核心任务，并提供包含图像渲染与多维度指标分析的自动化评估流水线。

2025年08月14日TechFoco

本文介绍由 Docling 团队开发的 SmolDocling-256M-preview 模型。该模型专为文档转换设计，支持全页内容识别与快速推理，并能与 Docling 生态系统兼容。

2025年03月20日TechFoco

Omni OCR Benchmark 是一个开源基准测试工具，旨在系统评估多模态模型在 OCR 和数据提取任务上的性能。它支持主流模型，并提供 JSON 准确率与文本相似度等关键指标。

2025年02月26日TechFoco