多模态Embedding：让AI真正看懂真实世界的技术底座_服务软件

1. 为什么2026年大模型都在往“理解生成统一”方向发展？去掉VAE和VE到底能带来什么本质性的提升？

2. Seedance 2.0：说中国话的最强AI视频模型！

3. 一张4090就能爆改！面壁智能MiniCPM-V 4.6开源，1B多模态卷出新高度

4. Agent时代，为什么多模态数据湖是必选项？

5. 美团LongCat-Next：把图像、声音、文字都变成Token，然后呢？

6. 2026年AI全景预测：迈向百亿智能体时代的20个发展趋势。 #大咖观察 #人工智能 #红衣聊AI #智能体 #AI时代

7. 2026开年王炸：Qwen3.5震撼发布，一条视频讲清所有玩法...

8. 华科&小米开源UniDriveVLA ：统一理解、感知与规划的全新VLA框架，构建智驾认知闭环

9. CES上英伟达再放王炸，AI史诗升级 #AI #英伟达 #NVIDIA #CES2026 #AIPC

10. 多模态大模型这条赛道，阿里云开始拉速度了

11. Qwen3.6-Plus 太猛了！免费+百万上下文+Agent，多模态能力直接拉满！| 零度解说

12. 把手教你用上开源版Claude Code，Windows系统接入保姆级教程！

13. 多模态预训练，才是大模型的下一条路？Yann LeCun、谢赛宁参与

14. 如何看待阿里开源的Qwen3-VL-Embedding 和 Qwen3-VL-Reranker 模型？

15. 港科大开源UniGS：统一3D GS，同时渲染RGB、深度、法线、语义！所有模态全部SOTA！

16. AI 术语通俗词典：表示学习

17. ICML'26 | 复旦新作OneTrackerV2：多模态视觉跟踪大一统！

18. G2VLM：统一3D重建和空间推理能力（上海AI Lab, UCLA, 上交开源）

19. 【#鸿蒙座舱可识别后排乘客胸腔起伏#】4月23日华为乾崑技术大会召开，11大核心技术能力集中亮相，系统性展现智能汽车时代的底层技术进阶。其中鸿蒙座舱HarmonySpace 6全新推出AMS舱内AI多模态感知系统，在舱内安全感知维度实现重要升级。该系统作为行业唯一三合一舱内多模态感知系统，结合多普勒效应，对人体及宠物因呼吸、心跳引发的胸腔微动进行捕捉，实现活体识别与在位判断，同时具备肢体行为识别与高精度成像能力。基于对全车乘员状态的持续感知，系统可联动中控屏幕、小艺智能体、语音及车主App等多路径进行主动提醒与风险干预，降低潜在安全隐患。在“Safety First”理念驱动下，鸿蒙座舱正在构建由感知到预警的主动安全闭环，加速座舱安全能力向全时域与全场景演进。

20. 养虾省91%词元！这家AI记忆公司用1亿个多模态文件验证了！

21. #千问Qwen3.5大模型发布#阿里巴巴春节AI大战再出一张王牌。今天，阿里巴巴正式开源并上线了新一代千问大模型Qwen3.5，以其原生多模态架构和极致效率设计，成为全球开源AI领域的新标杆。Qwen3.5首次实现原生多模态融合，直接支持文本、图像及视频输入，无需外部适配即可完成跨模态理解任务。推理吞吐量提升8.6倍至19倍，显存占用降低60%。实测性能超越自家万亿级前代模型Qwen3-Max，并在多项权威评测中领先。用户可通过千问APP、PC端一键切换至Qwen3.5模型，实时体验多模态交互。Qwen3.5的发布标志着国产大模型进入“效率+多能力”双轨竞争阶段。其发布节点直击春节技术窗口，与DeepSeek v4、字节豆包2.0等国产模型形成“春节AI大战”格局。#老张聊科技#

22. Z Tech｜一个词就能视觉推理？Meta 华人颠覆性提出 ATLAS 新范式

23. 国产AI视频炸了！SkyReels-V3三大功能重磅开源，1张图生成逼真视频

24. 词向量：AI理解语言的基石

25. 梦想照进现实！AI大模型全屋智能居然成了?!

26. 520，遇见国产「新模王」Qwen3.7-Max！

27. #2026北京车展# 卓驭公布最新技术和业务进展：▷ 推出首个原生多模态基础模型，其技术内核是在底层完成对物理世界通用规律的预训练，该模型可以用于乘用车、商用车的自动驾驶，也可以用于机器人。车展期间，卓驭已经正式开放原生多模态基础模型的试乘体验，测试车使用大算力英伟达Thor芯片，搭载11V视觉方案和激目2.0系统。量产版将于年内开启推送！▷ 目前卓驭累计量产车型已经超过50款，定点车型超100款，覆盖油车&电车、国内&海外。▷ 在商用重卡领域，卓驭已与中国TOP 6商用车品牌全部建立合作，搭载高悟性端到端4.0的商用重卡今年6月起交付。▷ 在商用客车领域，卓驭已经和宇通客车达成战略合作，双方将联合开发面向商用客车的NOA智能驾驶解决方案。该方案搭载激目2.0系统和卓驭自研自产的补盲激光雷达，基于英伟达Thor芯片，使用原生多模态基础模型，量产车将于今年9月交付，功能覆盖高速NOA、城区NOA及自主停泊。▷ 在无人驾驶领域，卓驭的无人物流车计划于今年7月启动试运营，L4级自动驾驶Robotaxi将于今年下半年开始试运行。Robotaxi将直接搭载下一代原生多模态基础模型，并配备卓驭自研自产、基于双英伟达Thor芯片打造的三冗余L4级控制器。#车展有ai##北京车展潮这看#

28. 精度暴涨0.34dB+0.19dB！ThermoSplat：双模态3D高斯泼溅，登顶RGBT重建SOTA！

29. AI 术语通俗词典：向量

30. AI 术语通俗词典：词向量

31. 面向实战的多模态数据生成与表征技术创新

32. SenseNova U1开源：8B参数原生统一多模态模型

33. 这就是AI眼镜的元年时刻？千问AI眼镜S1多场景实测！

34. 谷歌Gemini Embedding 2公测跨模态检索打通首个原生多模态嵌入模型，简单说就是把文本、图片、视频、音频、PDF全扔进同一个向量空间，搜东西一下子打通了最实用的几个场景：文字搜图片，输入“雨中撑伞的复古女孩”，模型能从图库里精准拉出匹配图；图片搜视频，上传一张“街头滑板少年”照，能找出相似动作片段；还能图片搜图、图文混搜文档召回率和精度比之前方案高不少，电商找同款、短视频推荐、法律档案检索都能用现在Gemini API和Google AI Studio可以直接调用gemini-embedding-2-preview，输出维度可调，延迟低，支持100多种语言。想升级多媒体搜索或RAG的，可以直接上手测，效果确实香#谷歌gemini#

35. “源”神启动?实测日常高频场景中千问APP的表现

36. 视频生成DeepSeek时刻！清华&生数开源框架提速200倍，一周斩获2k Star

37. DeepSeek又拿第一！首创「因果流」视觉推理，超越Gemini

38. 港大领衔DrivePI：统一自动驾驶理解、感知、预测和规划的空间智能4D MLLM

39. 天大 × 小米新作！VGGDrive：让自动驾驶大模型拥有3D几何感知能力

40. 华科&小米SparseOccVLA：统一的4D场景理解预测和规划，nuScenes新SOTA......

41. 世界模型VLA SOTA！DriveWorld-VLA：自驾VLA的统一潜在空间世界建模（小米&北交）

42. 刚刚，智谱开源GLM-4.6V系列模型啦~GLM-4.6V系列型号包括两个版本：GLM-4.6V (106B)，一个为云端和高性能集群场景设计的基础模型，以及GLM-4.6V-Flash (9B)，一个针对本地部署和低延迟应用优化的轻量化模型。GLM-4.6V在训练中将其上下文窗口扩展到128k个token，并在同类参数规模的模型中实现了视觉理解的最先进性能。最关键的是，我们首次集成了原生的函数调用功能。这有效地弥合了“视觉感知”和“可执行动作”之间的鸿沟，为现实世界商业场景中的多模态智能体提供了统一的技术基础。GLM-4.6V 引入了几个关键特性：🌟原生多模态功能调用：实现了原生的视觉驱动工具使用。图像、截图和文档页面可以直接作为工具输入，而无需文本转换，同时视觉输出（如图表、搜索图像、渲染页面）会被解释并融入推理链条中。这闭环了从感知到理解再到执行的过程。🌟交错图文内容生成：支持从复杂的多模态输入中创建高质量的混合媒体内容。GLM-4.6V 处理多模态上下文—涵盖文档、用户输入和工具检索的图像—并合成与任务相关的连贯交错图文内容。在生成过程中，它可以主动调用搜索和检索工具来收集和策划额外的文本和视觉素材，生成丰富、视觉化的内容。🌟多模态文档理解：GLM-4.6V 能处理最多128K个标记的多文档或长文档输入，直接将富格式页面作为图像进行解读。它可以共同理解文本、布局、图表、表格和图形，从而准确理解复杂、以图像为主的文档，而无需将其先转换为纯文本。🌟前端复刻与视觉编辑：从 UI 截图重建像素级准确的 HTML/CSS，并支持自然语言驱动的编辑。它通过视觉检测布局、组件和样式，生成干净的代码，并通过简单的用户指令应用迭代的视觉修改。#科技先锋官#

43. 个人AI已在路上，带你体验2026 MWC的未来科技！

44. 【直播回放】解析谷歌Gemini 3：“AI 全模态”时代与Scaling Law的极致执行

45. 千问APP正式上线国内最强视频生成模型通义万相 Wan2.5 和全球最强开源模型 Qwen-Image 的独家满血特供版，现在已经可以在新升级的千问APP中免费体验了。#千问上线阿里最强AI生图模型满血版#通义万相 Wan2.5是目前业界少数具备音画同步能力的视频模型之一，能生成和画面匹配的人声、音效和音乐 BGM。该模型首次采用原生多模态架构，只需一张照片和一段文字，无需模板，即可生成一段肢体动作自然、口型匹配准确的 1080P 高清唱跳视频，最长支持 10S。测试显示，无论是真人照片、萌宠、二次元角色，还是文物、卡通形象，千问 App 都支持。Qwen-Image该模型在图像编辑中维持了更高的一致性，并在多视角转换、多图像融合、多模态推理等方面取得突破进展。此次在千问 App 内上线的 Qwen-Image 新模型，可精准编辑、修改图片中的文字。支持双图“拼贴”与“融合”、基于参考图进行编辑。生成亚洲人像更真实，中文更稳定，海报设计达商用级别。我自己也尝试了一下，确实非常好用，而且理解能力非常强，不需要非常繁琐的说明即可达到想要的效果。比如说“把图片中人物的墨镜换成透明的”“把这张图变成漫画风格”“把月光宝盒换成太阳宝盒，字体不变”。因为平时拍图修图比较多，就我的使用来看，“AI修图”已经是非常好用了，AI生成视频、AI生图也挺好玩，大家可以亲自去尝试下。

46. 全新一代鸿蒙座舱HarmonySpace 6正式发布，围绕舱内感知、智慧交互、移动影音三大核心维度完成全面革新。感知端首发行业独有的舱内AI多模态感知系统AMS，筑牢舱内安全防线；交互端搭载全新MoLA 2.0架构，升级鸿蒙座舱小艺智能体，成为行业首个实现全场景跨域交互的座舱智能体，打通多类用车场景；影音端落地百万像素彩色智能车灯模组、商用LCoS车载激光投影等前沿硬件，搭配升级后的HUAWEI SOUND，打造沉浸式移动影音新体验。

47. DeepSeek发布多模态论文又连夜删除

48. 除夕夜，国产顶流压轴上线，QWEN3.5多模态开源！

49. 【谷歌新模型釜底抽薪：你还在费力拼接多模态AI吗？一个API已经终结了比赛】快速导读：谷歌发布Gemini Embedding 2，一个能将文本、图像、视频、音频、PDF统一编码的“怪物”。关键是，它原生理解音频视频，不再需要先转录成文字。对于构建RAG或多模态应用的团队来说，这意味着大量复杂的“管道工程”一夜之间被废弃了。---一家名为Sparkonomy的初创公司说，他们换上谷歌一个新模型后，系统延迟直接砍掉70%，图文和视频的语义匹配准确率从0.4飙升到0.8。另一家公司Mindlid说，在他们的对话式App里，新模型让关键信息的召回率提升了20%。这背后是谷歌刚刚发布的Gemini Embedding 2，一个可能让许多AI工程师感到后背发凉的模型。你以为的多模态AI应用，是不是还在做着痛苦的“拼接”工作？为文本、图像、音频分别找不同的Embedding模型，然后写一堆复杂的代码，祈祷它们能在同一个向量空间里奇迹般地对齐。最麻烦的是处理音频和视频，你得先用语音识别模型把它们转成文字，这个过程不仅慢，还丢失了大量的情感和背景噪音信息。现在，谷歌说这场“管道工”的游戏可以结束了。Gemini Embedding 2的核心是一次釜底抽薪式的升级：它将文本（最长8192 token）、图像、视频（最长120秒）、音频乃至PDF文档，全部压缩进同一个统一的向量空间。更致命的是，它能“原生消化”音频和视频，不再需要中间转录成文本的那一步。这意味着，过去那个由多个模型、转录服务和对齐策略组成的、摇摇欲坠的复杂系统，现在被一个干净利落的API调用取代了。你甚至可以在一次请求里同时塞进图片和文字，让模型理解它们之间的微妙关系。如果你是一个正在构建RAG（检索增强生成）系统的工程师，或者你的产品需要理解用户上传的各种格式文件，这件事的意义就很明确了：你用来“对齐”不同模态数据的那些“独门绝技”，正在迅速贬值。过去需要一个团队数周才能搭好的架构，现在可能一个下午就能搞定。旧的问题——我们如何费力地把不同模态的数据对齐？——已经消失了。新的问题是：当理解图像、声音和文字的成本几乎为零时，什么才是真正有价值的应用？---简评：谷歌这次没开发布会，但扔下的这颗“嵌入”炸弹，威力比一场发布会大得多。它没有创造什么全新的概念，而是把一件极其困难、极其昂贵的事情，变得极其简单、极其廉价。AI领域最大的颠覆，往往不是加法，而是这种让复杂性归零的除法。---ref: ai.google/discover/geminiblog/gemini-embedding-2/#AI创造营##人工智能#

50. 为什么2026年大模型都在往“理解生成统一”方向发展？去掉VAE和VE到底能带来什么本质性的提升？

51. HarmonySpace 6 带来三大升级：感知端首发行业唯一 AMS 舱内 AI 多模态感知系统；交互端发布全场景跨域鸿蒙座舱小艺智能体；影音端首发多款硬件，HUAWEI SOUND 同步升级。#华为乾崑智驾ADS5##华为乾崑智驾ADS5正式发布##华为乾崑技术大会# 大肥皂的微博视频

52. B 站下一代多模态数据工程架构的落地实践

53. #Seedance和谷歌Omni谁更强#今日凌晨谷歌I/O 2026正式推出Gemini Omni Flash全模态视频模型，可实现全类型输入创作内容，主打多模态融合与智能交互编辑，综合适配性极强。字节Seedance凭借超高写实画质出圈，实测文生、图生视频评分稳居前列，画面流畅度与物理真实表现突出，量产良品率表现亮眼。两款模型技术路线各有侧重，适配不同创作场景。AI视频行业市场体量庞大，受众需求细分明确，加之各方技术持续迭代，赛道不会出现一家独大局面，未来势必走向多强并立、良性竞争的发展格局。#ai#

54. 半夜，小米大模型团队发布小米全模态Agent基座大模型 MiMo-V2-Omni“MiMo-V2-Omni 专为现实世界中复杂的多模态交互与执行场景而生。从底层构建了融合文本、视觉、语音的全模态基座，并以统一架构将“感知”与“行动”深度绑定。这不仅打破了传统模型“重理解、轻执行”的局限，更让模型原生具备了多模态感知、工具调用、函数执行及 GUI 操作能力。”“MiMo-V2-Omni 可无缝接入各种 Agent 框架，实现了从理解到操控的跨越，大幅降低了全模态 Agent 的落地门槛。”“在正式发布之前，我们将一个早期测试版本以「Healer Alpha」为代号匿名上架 OpenRouter，没有任何宣传，纯粹让模型能力说话。结果调用量自然攀升至平台前列，并在 OpenClaw 测评榜单 PinchBench 上拿下均分第一，用户和基准双双给出了同一个答案。” “我们还与金山办公合作，将 MiMo-V2-Omni 接入 WPS Office，探索全模态智能体模型在日常生产力场景中的表现。”

55. 当智能座舱开始“感知呼吸”，意义已经不只是交互升级。#鸿蒙座舱可识别后排乘客胸腔起伏#华为这套AMS舱内AI多模态感知系统，挺牛逼的，核心在于基于多普勒效应的微动感知能力，通过视觉、毫米波与算法“三合一”融合，实现活体检测、在位识别与高精度状态感知，并可主动提醒与风险预警，把座舱感知从“看得到”升级为“看得懂”。更重要的是，智能座舱正从功能体验迈向主动安全。AMS可实时感知全车乘员状态，通过多通道预警形成从感知、判断到干预的安全闭环，把Safety First落到每一次出行。在家庭出行、宠物陪伴、长途驾驶等真实场景中，这种“无感守护+主动关怀”的体验，让鸿蒙座舱从智能交互进一步进化为情感化陪伴，太强了！

56. 盘点一周AI大事(4月5日)｜叫AI老公多干活 OpenAI内测下一代生图模型「GPT-Image-2」 OpenAI工匠计划「Project Stagecraft」曝光 Google发布最强开源小模型「Gemma 4」 Anthropic研究发现Claude有170种情绪向量阿里发布最强开源多模态大模型「Qwen3.5-Omni」 Sakana AI 发布AI战略官「Marlin」微软发布最强语音识别模型「MAI-Transcribe-1」研究员开源最强声音克隆模型「LongCat-AudioDiT」研究员开源最强语音合成模型「OmniVoice」工程师开源AI同事「同事.skill」爆火首个一人独角兽公司「Medvi」诞生 #前沿科技趋势发布月 #AI新星计划 #AI #OpenAI #AIGC

57. 在今天的华为乾崑技术大会上，全新一代鸿蒙座舱HarmonySpace 6正式亮相舱内感知升级——首发舱内AI多模态感知系统AMS，安全守护再进阶。智慧交互升级——基于MoLA 2.0，小艺智能体打通导航、控车、聊天与生活服务，实现全场景跨域交互。移动影音升级——百万像素彩色车灯、LCoS车载激光投影、HUAWEI SOUND全面进化。智能座舱，再次向未来迈了一大步。

58. FT：DeepSeek V4 下周发布，原生多模态。和华为、寒武纪联合优化，估计是优化了 V4 在对应平台上的推理性能。现在多模态最强的还是 Gemini，Demis 的表述很有说服力： Gemini 从第一天起就是多模态的，这是有原因的。它是机器人所需要的…这些多模态模型能理解世界的物理学，再加上一点机器人微调，就能处理动作、电机控制以及机器人所需的规划…AGI 必须理解物理环境、周围的物理世界…为了让机器人工作…理解你的物理上下文。期待 DeepSeek V4 的多模态性能！

59. 在线模型推理部署经常遇到多模态模型支持复杂，性能难以优化的问题。vLLM-Omni 基于高效的 KV cache 管理和流水线执行，专为支持包括文本、图像、音频、视频等多模态输入的模型设计，轻松实现异构模型推理和服务。它不仅兼容主流 Hugging Face 开源模型，还支持分布式推理、多阶段流水线调度、流式输出和 OpenAI 兼容接口，极大提升多模态模型在线推理的效率和灵活性。GitHub: github.com/vllm-project/vllm-omni主要功能：- 支持多模态数据（文本、音频、图像、视频）处理与生成；- 支持非自回归架构如扩散模型，实现高效的并行生成；- 基于 KV cache 优化自回归模型推理性能；- 异构流水线抽象，管理复杂多阶段模型工作流；- 分布式推理支持，涵盖张量并行、数据并行和专家并行；- 开箱即用的 OpenAI 兼容 API 服务器，方便集成；- 支持主流平台（CUDA/ROCm/NPU/XPU），广泛适配多硬件环境。适合AI开发者、研究人员和企业级应用场景的多模态AI模型推理部署。#AI开发# #多模态模型# #机器学习#

60. 零成本跑最强AI！Gemma 4手机本地部署（支持离线+多模态）安卓、iPhone全搞定！ | 零度解说

61. #千问Qwen3.5大模型发布# 就在刚刚，千问又发布了新一代大模型Qwen3.5-Plus！别的不说，大过年的发版本，这个团队就是“疯子”，应该加鸡腿～！只为努力把最好的产品带到这个世界，发出中国人自己的声音，就凭这一点，这个团队就真的很棒，产品值得期待！千问3.5已经从纯文本模型“进化”到原生多模态模型！不管是推理能力，还是多模态理解与更高效的运行体验，都变得更加强大，用户现在可以在千问APP、千问PC端体验，点击页面顶部「千问」图标，即可切换模型，直接体验Qwen3.5-Plus。#HOW I AI##过个有AI年# 春节期间吃饱喝足了，赶紧体验一波吧！大模型在卷，咱们也要“卷”起来～哈哈哈

62. 北交&地平线提出DIVER：扩散+强化的多模态规划新框架

63. 澳门大学WorldDrive：统一视觉与运动表征，让世界模型直接服务自动驾驶规划

64. 【#千问上线新模型#】3月30日，阿里千问宣布全模态大模型Qwen3.5-Omni上线。Qwen3.5-Omni系列包含Plus、Flash、Light三种尺寸的Instruct版本，支持256k长上下文，模型支持超过10小时的音频输入及超过400秒的720P(1FPS)音视频输入。模型在海量文本、视觉以及超过1亿小时的音视频数据上进行原生多模态预训练，该模型展现出卓越的全模态感知与生成能力。相比Qwen3-Omni,Qwen3.5-Omni多语言能力大大增强，能够支持113种语种和方言的语音识别和36种语种和方言的语音生成。（财联社）

65. #科技先锋官# 谷歌 Project Genie 横空出世，文本图片一键生成可交互游戏世界，直接让游戏股集体暴跌，也让它成了科技圈最具争议的焦点！有人说它是谷歌的王炸，丰富 AI 订阅服务、落地 Gemini 多模态能力，反哺模型迭代还打通生态闭环，让谷歌在 AI 格局中占据绝对优势。也有人骂这是市场过度恐慌，Genie 如今功能受限，既无完整游戏逻辑，也无法替代传统引擎，根本撼动不了 Take-Two、Roblox 的商业模式。 Meta、英伟达也在加紧布局世界模型，AI 造世界到底是颠覆行业的革命，还是徒有噱头的技术试水？看完这条视频，带你看清背后的真相！#微博超有用视频大赛##上微博涨知识##AI生活指南# http://t.cn/AXqrFsNg

66. 首测DeepSeek识图，结果炸了

67. #千问Qwen3.5大模型发布# 刚刚，阿里正式发布全新一代大模型千问Qwen3.5-Plus！直接除夕发布啊！太牛了👍不得不说千问春节这波真的很给力，回到老家家里小学生都知道千问了还介绍给家里老人用。#HOW I AI##过个有AI年# 用户可在千问APP、千问PC端体验，点击页面顶部「千问」图标，即可切换模型，体验Qwen3.5-Plus。千问3.5实现了从纯文本模型到原生多模态模型的代际跃迁，值得期待一波

68. 独家｜VUI Labs宇生月伴完成数千万元天使+轮融资，同创伟业领投，打造行业领先的情感语音大模型和多模态Agent

69. 小龙虾上理想汽车具身视频！StreamingClaw 是理想汽车 MindGPT-ov 团队提出的、兼容 OpenClaw的实时流式视频理解与具身智能统一智能体框架，能做到离线推理，长时记忆，实时交互主智能体管流式推理调度，两个子智能体分别扛长时记忆和主动交互，动态滑窗+KV缓存剪枝，低延迟跑长视频也不在话下。多模态层级记忆、时间/事件双主动提醒，直接落地感知-决策-行动闭环，车载疲劳监测、家庭机器人看护、AI眼镜辅导全都能用。目前看下来音频支持还有待提升，以后的大趋势肯定是全模态统一智能体，感觉离想哥说的“汽车将从工业时代的交通工具，进化成为人工智能时代的空间机器人”又更进了一步#理想汽车##OpenClaw##具身智能#

70. Lance 把图像与视频的理解、生成和编辑全部融合进一个 3B 活跃参数的原生统一多模态模型，真正做到「一套框架」搞定。不仅支持高质量文生图、文生视频，还能进行图像/视频编辑与多模态理解，性能直逼更大模型。GitHub：github.com/bytedance/Lance Hugging Face：huggingface.co/bytedance-research/Lance主要功能：- 3B 活跃参数，原生统一框架，支持图像/视频理解、生成、编辑- 文生图、文生视频、图像编辑、视频编辑一键完成- 多轮一致性编辑与智能视频生成，效果出色- 支持图像/视频问答、详细描述等理解任务- 提供 Gradio Demo 与完整推理脚本，开箱即用支持本地运行（需 ≥40GB VRAM），同时已有 MLX 社区移植版本可在 Apple Silicon 上运行。

71. 重塑三维场景探索！GaussExplorer：3DGS+VLM完美结合语义理解和几何重建

72. 如何评价 DeepSeek 刚刚上线的多模态「识图模式」？

73. 【乐奇 Rokid 海外版宣布升级，首发支持 Gemini】乐奇 Rokid 旗下 AI 眼镜 Rokid Glasses 海外版升级，接入谷歌 Gemini、ChatGPT、DeepSeek 及阿里通义千问四大主流 AI 大模型，成为行业首款支持 Gemini 的 AI 眼镜，可在端云协同架构下实现跨模型自由切换、多模态交互与实时翻译等功能。

74. 多模态Qwen3-VL-Embedding悄悄开源&技术剖析

75. MMEB国际多模态表征新标杆

76. Qwen3-VL-Embedding 与 Qwen3-VL-Reranker

77. Gemini Embedding 2 来了！谷歌首个原生多模态嵌入模型，一文看懂

78. Gemini Embedding 2 发布

79. 多模态Embedding指南

80. 保留原文本嵌入几何不变性！支持文本/图像/视频/音频的全模态开源嵌入模型【多模态RAG】【向量检索】

81. Gemini Embedding 2把多模态信息整合同一向量空间了，还需要多向量列吗？

82. 抱抱科技｜Gemini Embedding 2

83. Google发布Gemini Embedding 2

84. 谷歌炸场！Gemini Embedding 2把五种模态塞进同一向量空间，Agent跨模态大脑来了

85. Embedding向量模型有哪些？

86. Qwen3-VL-Embedding

87. 视觉大一统的里程碑

88. 2026多模态RAG实战

89. 【完结】多模态与视觉大模型开发实战 - 2026必会

90. ［谷歌最新白皮书］嵌入与向量存储

91. 2025多模态大模型

92. 一文讲清

93. CVPR'26 | 从任务统一到模态协同

94. 告别无脑编码！UME-R1 开启多模态 Embedding 的“推理时代”

95. RAG 别再只搜文字了

96. 通义千问发布最强多模态检索模型 Qwen3-VL-Embedding/Reranker

97. AI技术 08｜多模态到底是什么？

98. 多模态AI

99. Gemini Embedding 2 统一多模态的embedding模型

100. 统一图文视频检索

101. 代码驱动的视觉感知

102. #ai #人工智能 #英文科普 #英语学习 #科技动态

103. 唐国梁-多模态大模型前沿算法与实战应用第一季教程学习 - 哔哩哔哩

104. Gemini视频理解能力首测

105. Google Gemini AI一键解析油管视频,自动生成视频摘要

106. 多模态AI

107. 磐石大模型开源！S1-VL-32B 斩获 5 项 SOTA，科研图像推理再升级

108. 多模态大模型（文本 + 图像 + 语音）

109. GPT-4o之后

110. 打破常规！Qwen3 - Omni让多模态AI效率飙升

111. 2026年多模态AI创作工具链保姆级教程

112. 2026年4-5月AI多模态工具实测

113. 阿里千问推出 Qwen3-VL-Embedding & Qwen3-VL-Reranker

114. 多模态检索终于迎来新工具！

115. 硬核方案！多模态检索终落地

116. Qwen3-VL两大模型

117. 破解多模态落地瓶颈，CXOU 大会给出两条可行路径

118. 多模态大模型前沿算法与实战应用教程

119. 多模态大模型赋能机器视觉

120. 刚刚！DeepSeek 终于“开眼”了

121. DeepSeek大范围开放识图模式，这不是多一个按钮那么简单

122. DeepSeek 识图全面开放！AI 智能体又多了一张“真实世界入场券”

123. DeepSeek上线识图模式

124. DeepSeek开启识图模式，下一代AI产品会怎么变？

125. 识图模式来了，DeepSeek终于“睁眼”看世界了！

126. DeepSeek 终于会看图了，但别急着把眼睛也外包

127. DeepSeek 大范围开放识图模式，AI 竞争正式进入“多模态落地战”

128. DeepSeek V4 识图模式深度解析

129. 智能体多模态交互创新

130. 基于多模态VLM的“终端智能大脑”

131. 深圳·5月16日｜一场只谈"规模化"的沙龙

132. AI终端规模化商用加速

133. 39页 | 2026年AI消费硬件产业报告

134. 瞬时电报 | 多模态交互成为AI终端标配懂游宝重塑游戏交易格局芯片分销商角色从贸易向方案商转型

135. AI多模态交互避坑指南

136. 2026年多模态AI

137. 4月29日 AI速报｜多模态模型集体开源、AI Agent安全暴雷，技术迎来全新迭代

138. 多模态的最新进展：谷歌发布了一个"全能向量"模型Gemini Embedding 2，这可能改变一切

139. Qwen-Image 技术报告

140. 跨模态检索技术及其工业应用

141. 刚刚，DeepSeek全新多模态技术开源！

142. Nat. Methods | 统一多模态嵌入驱动的病理形态与分子特征解码

143. 多模态embedding 大模型

144. 多模态数据处理-跨模态检索：支持文本检索图片/音频/视频（如通过CLIP模型实现图文匹配）

145. Qwen3-VL-Embedding & Qwen3-VL-Reranker：统一多模态表征与排序

146. 通过统一的多模态嵌入技术系统地解析病理形态和分子特征 | Nature Methods

147. 谢作如：当信息系统遇上人工智能之向量检索——多模态数据分析初体验

148. 微信团队新作ObjEmbed 想把“对象”本身变成通用多模态 embedding

149. 推理驱动的生成式通用多模态嵌入框架-UME-R1

150. Qwen3-VL-Embedding 与 Qwen3-VL-Reranker：多模态检索与重排序的统一框架深度技术

151. 阿里千问全模态上线

152. 一文讲清：多模态Embedding模型分类，建议收藏！

153. 多模态基础介绍

154. Talk | 南洋理工大学范洧辰：视觉统一表征 - 从语义到像素的统一自编码

155. 先思考再嵌入：融合生成推理的通用多模态嵌入框架-Think-Then-Embed

156. PaperReading135 使用qwen3多模态大模型做多模态搜索的embedding

157. 阿里千问 Qwen3.5-Plus 正式发布！原生多模态大模型开启 AI 新纪元

158. 只用图像级监督，让多模态大模型同时完成工业异常检测、定位与推理

159. Talk预告 | 南洋理工大学范洧辰：视觉统一表征 - 从语义到像素的统一自编码

160. 萌化了！DeepSeek识图会吐槽还开答辩会，AI思考越来越像人

161. TPAMI 2026 | 多模态自适应与泛化: 从传统方法到基础模型

162. 刘宇,陈海鹏,杨勋等 | 面向噪声鲁棒跨语言跨模态检索的不确定性感知与互学习

163. 多模态AI到底是什么？一文读懂文本、语音、图片的融合技术

164. Nature Methods | 采用统一多模态嵌入系统解码病理形态和分子剖面

165. 阿里通义千问开源 Qwen3.6-35B-A3B 模型赋能智能体与多模态应用

166. 蜜度索骥：跨模态检索助力内容溯源与风险核查

167. MCR新框架：MLLM跨模态推理

168. Qwen3-VL-Embedding发布，多模态向量模型

169. 多模态大模型这条赛道，阿里云开始拉速度了

170. 【2026.04.07】跨模态内容检索论文速览

171. 阿里千问的全模态模型来了，价格不到Gemini的十分之一

172. 2026 多模态交互大模型求职指南：从 VLM 到人机闭环。机器人/人形机器人「多模态交互大模型」方向最全求职攻略

173. 多模态embedding模型分类

174. 我测了个「看图识万物」API：传一张图，它居然把百科答案直接喂给我了？

175. 北京大学彭宇新团队综述：从粗粒度到细粒度视角的跨模态检索

176. 北京大学彭宇新教授团队综述：从粗粒度到细粒度视角的跨模态检索综述

177. Gemini 多模态接口实现：图像输入的编码与结果校验机制

多模态Embedding：让AI真正看懂真实世界的技术底座

精选参考来源