跳至正文

技術方向

多模態 最新動態

文字之外的能力:看懂圖片、圖文混合理解、音影片輸入輸出的模型與產品進展。

22 條精選近 30 天 16 條共收錄 90 條

11月16日 12:11更新

多模態 · 精選 · 第 2 頁

7月15日星期三第 21–22 條 / 共 22 條
  1. Modal Blog60

    Thinking Machines 的 Inkling 多模態模型現已在 Modal 上推出

    Thinking Machines 發布了 Inkling,這是一個通用多模態模型,可接收文字、圖像和音訊輸入並輸出文字,而 Modal 從第一天起就以基於 token 的定價,透過受管端點(Managed Endpoint)提供該模型。Inkling 是一個混合專家(MoE)Transformer,總參數 975B,活躍參數 41B,上下文視窗 1M token,原生支援音訊與視覺,每五層滑動視窗注意力層搭配一層完整注意力層。在配備 8 張 B200 的代理式工作負載上,Modal 自訂的 DFlash 推測器在每 GPU 吞吐量 2.5M TPM 時,達到每位使用者每秒 250 個 token,在相同吞吐量下,互動速度比模型內建的推測路徑快 67%。

    推薦理由:Modal 為 Thinking Machines 的 975B 參數 Inkling 提供首日端點,展示了自訂 DFlash 推測器如何將互動速度提升至比模型內建推測路徑快 67%。

6月1日星期一
  1. MiniMax Blog87

    MiniMax M3 發布,具備 1M 上下文、前沿編碼與原生多模態能力

    MiniMax 發布 M3,這是一款開放權重模型,該公司稱其為首個結合前沿編碼與代理能力、1M token 上下文窗口,以及原生圖像與影片輸入的模型。M3 採用 MiniMax 新的 MSA 稀疏注意力架構,該公司報告稱,此架構在 1M 上下文下將每 token 計算量降至前一代的 1/20,並將預填充速度提升逾 9 倍、解碼速度提升逾 15 倍。它在 SWE-Bench Pro 上得分 59.0%、在 Terminal-Bench 2.1 上得分 66.0%、在 MCP Atlas 上得分 74.2%,並可透過 MiniMax Code、Token Plan 與 API 使用,權重與技術報告承諾在 10 天內發布。

    推薦理由:MiniMax M3 將 1M token 上下文、前沿編碼與代理得分,以及原生圖像與影片輸入結合於一個開放權重模型中,並以 MSA 在長上下文下降低每 token 計算量。