来源：环球网 【环球网科技综合报道】12月18日，字节跳动正式推出了其最新的豆包视觉理解模型。据官方介绍，该模型在处理千tokens输入时的价格仅为3厘，这意味着用户仅需一元钱即可处理多达284张720P分辨率的图片。
在12月18日举办的火山引擎 Force 大会上，字节跳动正式发布豆包视觉理解模型，为企业提供极具性价比的多模态大模型能力。豆包视觉理解模型千tokens输入价格仅为3厘，一元钱就可处理284张720P的图片，比行业价格便宜85％，以更低成本推动AI技术普惠和应用发展。
北京商报讯（记者 魏蔚）1月28日，阿里云宣布，通义千问开源全新的视觉模型Qwen2.5-VL，推出3B、7B和72B三个尺寸版本。其中，旗舰版Qwen2.5-VL-72B在13项权威评测中夺得视觉理解冠军，全面超越GPT-4o与Claude3.5。新的Qwen2.
·SegGPT是一个利用视觉提示完成任意分割任务的通用视觉模型，具备上下文推理能力，训练完成后无需微调，只需提供示例即可自动推理并完成对应分割任务，包括图像和视频中的实例、类别、零部件、轮廓、文本、人脸、医学图像等。
来源：环球网 【环球网科技综合报道】8月30日，阿里通义千问发布第二代视觉语言模型Qwen2-VL，旗舰模型 Qwen2-VL-72B的API已上线阿里云百炼平台。 2023年8月，通义千问开源第一代视觉语言理解模型Qwen-VL，成为开源社区最受欢迎的多模态模型之一。
·PaLM-E是迄今为止已知的最大VLM（视觉语言模型）。作为一种多模态具身VLM，它不仅可以理解图像，还能理解、生成语言，执行各种复杂的机器人指令而无需重新训练。它还展示出了强大的涌现能力（模型有不可预测的表现）。
(图片来源：智元机器人）随着2022年 AI 聊天机器人ChatGPT风靡全球，“具身智能”和人形机器人逐渐成为备受瞩目的前沿技术领域。与传统 AI 相比，“具身智能”更注重通过与环境的实时交互来获取信息，并基于这些信息进行思考、决策和行动。
潮新闻客户端 记者 黄慧仙 通讯员 赵婷当DeepSeek“安”上“眼睛”，会聪明到什么程度？最近，一个来自杭州的研究团队将这一设想变为了现实——新的人工智能项目将DeepSeek-R1的训练方法从纯文本领域迁移到视觉语言领域，为多模态大模型带来更广阔的想象空间。
