# 多模态的所有文章

在 HTX 新闻中心浏览与「多模态」相关的最新资讯与深度分析。潘盖市场趋势、项目动态、技术进展及监管政策，提供权威的加密行业洞察。

Gemini 3.5来了！今夜，谷歌亲手淘汰谷歌

在谷歌I/O 2026大会上，谷歌发布了多项重磅AI进展。核心产品包括全新的全能多模态模型“Gemini Omni”，它可以接收任意形式的输入（如图片、音频、视频、文字）并生成高质量视频，且能通过聊天方式进行实时编辑，其生成内容在物理逻辑和场景连贯性上表现突出。同时，谷歌推出了新一代旗舰模型“Gemini 3.5 Flash”。该模型在编码、智能体任务等多项基准测试中，性能全面超越了前代旗舰Gemini 3.1 Pro，输出速度极快，并对标甚至超越了竞争对手的同类模型。与之配套的“Antigravity 2.0”代理开发平台也升级为独立桌面应用，现场演示了由93个子代理在12小时内从零编写出一个功能完整的操作系统内核。此外，谷歌发布了个人AI代理“Gemini Spark”。它由Gemini 3.5驱动，深度集成谷歌办公套件，能够7×24小时在云端运行，根据用户指令自动跨应用（如Gmail、Docs、Sheets）处理复杂任务，如汇总信息、起草邮件、规划活动等。其他重要发布还包括：Gemini App改版并改为算力计费、AI Ultra订阅计划调整以及谷歌搜索25年来最大升级（接入Gemini 3.5 Flash）。整场大会展示了谷歌在实现全模态理解与生成、以及全天候自主智能代理方面的重大突破，标志着AI技术正朝着更强大、更自主的方向加速演进。

链捕手05/20 06:54

链捕手05/20 06:54

谷歌用 AI“杀死”谷歌，这场发布会看得人缺氧

在2026年Google I/O大会上，谷歌发布了一系列重磅AI更新，核心是推动AI从工具向智能体（Agent）和基础设施演进。主要内容包括： 1. **Gemini Omni模型**：一个新的多模态“世界模型”，重点提升视频生成与编辑能力，能理解物理规律并将抽象概念转化为视频，未来目标是从任意输入生成任意内容。 2. **Gemini 3.5 Flash模型**：主打极速响应与低成本，代码能力大幅提升，输出速度可达其他前沿模型的4-12倍。其驱动的开发平台Antigravity 2.0可让AI智能体协同完成复杂任务（如从零构建操作系统）。 3. **AI搜索全面升级**：搜索整合Gemini 3.5，体验更连贯，并引入“信息智能体”功能，可长期跟踪特定主题信息。搜索还将能生成交互式界面来解答复杂问题。 4. **个人AI智能体Gemini Spark**：一个可24小时在云端后台运行的个人助手，能处理多步骤复杂任务（如活动策划、信息汇总），即使设备关机也能工作。 5. **Gemini App大改版**：采用新设计语言，回答内容呈现更动态交互。新增“每日简报”功能，整合邮箱、日历等信息提供个性化晨间摘要。 6. **创意与生产力工具更新**：发布了图片编辑工具Google Pics、升级了网站设计工具Stitch和视频创作工具Google Flow，全面增强AI生成与编辑能力。 7. **押注AI硬件入口**：与三星等合作，推出基于Android XR平台的智能眼镜（显示眼镜和音频眼镜），将Gemini深度集成到可穿戴设备中。 8. **商业模式转变**：文章指出，随着AI功能日益深入和复杂，其高昂的算力成本正推动谷歌从传统的免费互联网模式，转向依靠订阅服务和企业级合同盈利的“AI订阅基础设施公司”。整场发布会信息量巨大，展现了谷歌将AI深度融入其全生态产品的决心，其商业模式的演进也成为关注焦点。

marsbit05/19 23:53

marsbit05/19 23:53

从“词元”到“符元”：Token 中文名背后的 AI 底层认知之争

近期，全国科学技术名词审定委员会推荐将AI领域的“Token”译为“词元”，引发广泛讨论。尽管专家认为“词元”符合单义性、简明性等原则，且易于传播，但这一译名在多模态AI发展的背景下存在长期适配性问题。文章提出“符元”作为替代方案，并从多个维度展开分析：首先，Token虽起源于自然语言处理，但本质是跨模态的“离散符号单元”，而非仅限于语言的“词”。以初始应用场景定义概念，易造成认知局限。其次，“词元”依赖“词”的类比扩展（如“词云”），但类比不应替代定义。术语需严格区分解释性隐喻与本体性定义，避免语义漂移。第三，“词”具有强语义锚定效应，易使公众误解Token仅涉及文本，而忽略其图像、语音等多模态应用，增加长期解释成本。第四，“词元”在语言学中已对应“Lemma”（词的原形），造成一词多义冲突，违背术语单义性原则。第五，从信息论和计算理论看，Token本质是符号层的离散单元，而非语义层的语言单位。“符元”更贴合其计算本体。第六，“词元”回译英文时易歧义（如对应word unit或morpheme），而“符元”可稳定对应“symbolic unit”，保障国际学术交流的清晰性。最后，术语统一应基于“概念同构”而非“语言同形”。“词元”与“嵌入”“注意力”等机制性术语并列时，会造成结构层级混乱。综上，术语选择关乎AI领域的认知基石。“符元”更符合Token的符号本质，具备跨模态稳定性和回译一致性，利于构建长期自洽的概念体系。

marsbit04/10 10:43

marsbit04/10 10:43

汪滔的第一款大模型，让Meta终于重新上桌了

Meta于4月8日发布其Muse系列首款模型Spark，这是自去年夏天汪滔（Alexandr Wang）加入并组建“超级智能实验室（MSL）”后的首个重要成果。Spark定位为小巧快速的模型，专为Meta旗下产品（如WhatsApp、Instagram等）设计，支持多模态推理和“视觉思维链”功能，在医疗、科学推理及图表理解方面表现突出，但在编码和长任务处理上仍有不足。该模型发布后Meta股价单日一度上涨近9%，市场反应积极。Meta强调Spark只是起点，更大规模模型正在开发中，未来可能采用开源与闭源混合策略。

marsbit04/09 10:57

marsbit04/09 10:57

刚刚，小扎砸143亿的“牛油果”来了，硬刚GPT-5.4，硅谷最贵华人首作

Meta发布全新AI模型Muse Spark（代号Avocado），该模型由Meta超级智能实验室（MSL）研发，具备多模态感知、工具调用、视觉思维链及多Agent协作等能力。在Artificial Intelligence测试中得分52，远超前代Llama 4 Maverick的18分，仅次于Gemini 3.1 Pro、GPT-5.4和Opus 4.6。 Muse Spark在多模态和健康领域表现突出，支持视觉问答、医学推理等任务，但在代码生成和复杂Agent任务上略逊于顶尖模型。其“沉思模式”支持多Agent并行推理，在部分综合测试中媲美甚至超越竞品。技术方面，Meta重构了AI技术栈，预训练算力效率提升至Llama 4的10倍，推理时Token消耗显著降低。模型已上线meta.ai及相关应用，暂未开源，未来将接入Facebook、Instagram和WhatsApp。 Muse Spark是Meta首席AI官Alexandr Wang领衔的团队历时九个月打造的成果，标志着Meta重返AI第一梯队。

marsbit04/09 07:47

marsbit04/09 07:47

神秘模型HappyHorse空降屠榜，视频生成赛道迎来“鲶鱼”？

一款名为HappyHorse-1.0的文本生成视频模型在AI视频平台Artificial Analysis的盲测排行榜中登顶，以更高Elo评分超越Seedance 2.0和可灵、天工等主流产品。该排名基于真实用户偏好投票，具备较强公信力。经技术社区推测，HappyHorse极有可能是基于3月开源的daVinci-MagiHuman模型优化而来，由上海SII GAIR实验室与北京Sand.ai联合开发。该模型采用150亿参数的单流Transformer架构，实现音视频联合生成，尤其擅长人像类内容。其登顶原因可能源于对评测场景的针对性优化。由于盲测样本中人像和口播类内容占比超60%，而该模型训练阶段就侧重人像生成，因此在用户观感上占据优势。不过实测反馈显示，它在多人场景、长时序生成等方面仍有局限，需依赖高端算力，暂未达到广泛可用水平。尽管如此，HappyHorse的意义在于首次有开源背景的生成模型在用户盲测中比肩闭源商业产品。这不仅对依赖技术差距维持定价权的闭源厂商构成挑战，也为开发者在数字人、虚拟主播等垂直场景提供了更低成本、更高自主性的技术选择。开源与闭源之间的效果鸿沟，正在逐渐收窄。

marsbit04/08 07:57

marsbit04/08 07:57

工信部征求《人工智能模型上下文协议》等121项行业标准意见

工信部发布通知，就《人工智能安全治理模型上下文协议应用安全要求》等121项行业标准计划项目公开征求意见。此举标志着我国在人工智能底层协议标准化与安全监管体系建设方面迈出重要一步。征求意见的核心内容聚焦于模型上下文协议（Model Context Protocol）的应用安全要求，旨在通过制定统一技术标准，解决大模型在多模态交互、长文本处理及跨平台调用过程中存在的协议兼容性和数据安全风险问题。

marsbit03/26 03:32

marsbit03/26 03:32

AI2发布全开源网络代理 MolmoWeb:仅凭“视觉”即可掌控网页

艾伦人工智能研究所（AI2）近日发布全开源网络代理 MolmoWeb。与传统依赖网页底层代码（DOM）的方式不同，MolmoWeb 仅通过读取屏幕截图进行决策，实现了纯视觉驱动的网络导航，标志着技术上的重大突破。 MolmoWeb 的工作原理是捕获浏览器窗口截图，通过视觉分析决定下一步操作（如点击、滚动、翻页），并循环执行。这种方式使其比传统代理更稳定，因为视觉布局通常比代码更统一，且决策过程对人类而言更透明、可解释。尽管模型规模较小（4B 和 8B 参数），但性能表现突出：在 WebVoyager 测试中，8B 版本得分达 78.2%，接近 OpenAI 的专有模型 o3（79.3%）。通过多次运行筛选最佳结果，成功率可进一步提升至 94.7%，在 UI 元素定位测试中甚至超越了 Anthropic 的 Claude3.7。 AI2 同时开源了大规模数据集 MolmoWebMix，包含 3.6 万次真实浏览任务和超过 220 万个截图-问答对，部分合成数据经 GPT-4o 验证，显示在引导智能体方面优于人类轨迹。 MolmoWeb 已在 Hugging Face 和 GitHub 上通过 Apache 2.0 协议完全开放。尽管在复杂指令、登录验证和法律合规等方面仍存在挑战，但 AI2 强调开源与社区协作对对抗大型科技公司数据垄断的重要性。

marsbit03/26 01:39