什么值得买App下载 App ›
连续签到专享现金活动

Genie 4 官宣、评测开始拿现实对答案 | 多模态大模型 10.28 日报

谷歌官宣第四代世界模型 Genie 4,画面、声音和对话能实时一起生成;这一轮的评测、推理部署与人才动向,也都指向多模态从演示走向工程和生产。

Genie 4 正式发布:世界、音效和角色对话一起实时生成

10 月 27 日,谷歌 DeepMind 官宣第四代世界模型 Genie 4:输入一句提示词就能实时生成可移动、可观察的 3D 世界,环境音和角色对话同步产出,目前已以研究预览形式向测试者开放。相比 Genie 3 只有画面、体验短且不连贯,这一代原生加入音频与更长的连续模拟,适合想判断“世界模型离真正可用还差多远”的人,官方原文和两篇中文深度解读对照着看更稳。

Genie 4 官宣、评测开始拿现实对答案 | 多模态大模型 10.28 日报
图源:知乎・数字生命卡兹克

评测转向“证据”:拿现实执行和长文档来对答案

近一周多篇评测工作指向同一件事:多模态模型的比拼正从“认不认得出一张图”,转向能不能在几百页材料里定位证据、预测的动作后果对不对得上现实——复旦团队推出覆盖 T2V/I2V/V2V 的 2104 任务代码生成视频基准,WorldOracle 则拿机器人真实执行记录对照世界模型的预测。如果你在做选型或要读厂商报告,这一批能帮你看清哪些榜单还有区分度、哪些总分该打折扣。

Genie 4 官宣、评测开始拿现实对答案 | 多模态大模型 10.28 日报
图源:知乎・小韩光一

落地进入工程阶段:视觉编码开始独立扩容

文本、图片、视频混在同一个模型服务里跑,最先扛不住的是首字延迟——这周两篇长文把瓶颈拆到了基础设施层:EPD 架构把视觉编码(Encode)从预填充、解码里解耦出来独立排队扩容,负载均衡也要求按 Vision Encoder 的实际计算时间而不是请求条数来分活儿。适合准备本地或线上部署多模态服务的人,可以直接对照检查自己的链路卡在哪一段。

多模态人才流动:原字节 Seed 视觉负责人官宣新去向

10 月 27 日,原字节 Seed 视觉多模态负责人杨建朝在领英官宣加入 Adobe 出任研究与 AI 副总裁,他此前参与的 Seedream、Seedance 是国产文生图与视频模型的头部项目;同期,接手其视觉生成业务的周畅“离职创业”传闻被接近字节人士否认。多模态头部人才的去向直接影响图像、视频生成产品线接下来两年的节奏,适合当作行业变动的信号持续留意。

Genie 4 官宣、评测开始拿现实对答案 | 多模态大模型 10.28 日报
图源:知乎・申小飞

评论

评论区空态插画

当前文章无评论,是时候发表评论了