开源项目人工智能进阶
Transformers
预训练模型工具库，覆盖文本、视觉、音频与多模态任务。
Hugging Face约 2 小时pythontransformers
按主题浏览
多模态
共 8 条
AI 动态人工智能
推出 Quine：一个为生物学复杂性而设计的 AI 研究系统
生物学并非孤立运作，其 AI 表征也不应如此。Quine 是一项早期研究项目，旨在构建生物学的多模态世界模型。通过连接跨生物尺度和模态的洞见，Quine 帮助科学家以计算方式搜索一个远超直觉所能及的空间……
Microsoft Research发布于 2026年9月29日
官方来源 · Microsoft Research核验于 2026年10月10日
AI 动态人工智能
EmbeddingGemma 2：一个开放、轻量的多模态嵌入模型
我们去年推出了 EmbeddingGemma，旨在为高质量文本嵌入提供一种轻量级选择，帮助你的应用直接在消费级硬件上组织、搜索和连接信息。开发者社区的反馈远超我们的预期。其下载量已超过 2000 万次，构建者们已将其用…
Google DeepMind发布于 2026年10月7日
官方来源 · Google DeepMind Blog核验于 2026年10月10日
AI 动态人工智能
推出Gemma 4 12B：统一的无编码器多模态模型
今天，我们推出Gemma 4 12B，这是我们最新的模型，旨在将智能体多模态智能直接带到笔记本电脑上。Gemma 4 12B在边缘友好的E4B和更先进的26B专家混合（MoE）之间架起桥梁，将强大的功能封装在更小的内存占用中。它也是我们…
Google DeepMind发布于 2026年6月9日
官方来源 · Google DeepMind Blog核验于 2026年9月6日
AI 动态人工智能
用 LFM2.5-VL-DSpark 加速视觉语言模型
推测解码如何用于 VLM？视觉草稿模型采用与我们的文本 LFM2.5-DSpark 草稿模型相同的架构：它在固定的一组被选层捕获目标模型的隐藏状态，并以此为条件草拟一个包含 k 个候选 token 的块。图像 patch 和文本 token 被投影到一个 sh…
Hugging Face发布于 2026年9月24日
已交叉核验 · Hugging Face Blog核验于 2026年10月8日
AI 动态人工智能
面向边缘的多模态 open d1 决策模型
我们如何为边缘构建决策模型：这些开放的 d1 决策模型基于我们的 Liquid Foundation Models（LFMs）构建。与我们的生成式模型不同，决策模型不生成 token，而是在单次前向传播中给出答案。
Hugging Face发布于 2026年10月8日
已交叉核验 · Hugging Face Blog核验于 2026年10月10日
AI 动态人工智能
NeoMME：一个高效的多模态原生和多语言编码器
TL;DR 我们推出了 NeoMME，一个包含 260M 和 800M 参数的多语言多模态编码器家族。与许多生成式视觉语言模型不同，NeoMME 不使用单独的预训练视觉塔或因果语言模型。一个单一的双向 Transformer 同时处理文本标记和原始图像块，并且我们训练...
Hugging Face发布于 2026年9月3日
已交叉核验 · Hugging Face Blog核验于 2026年10月1日
AI 动态人工智能
Meta携Muse Glimmer回归：本地、智能体式、多模态、开源
为庆祝这一时刻，我们在transformers、llama.cpp、vLLM、Inference Endpoints及其他库中提供了Meta的day-0支持。我们构建了一些有趣的功能，并在本博客中分享了我们的发现。
Hugging Face发布于 2026年8月10日
已交叉核验 · Hugging Face Blog核验于 2026年9月9日