音频理解，通义千问3-Omni-Captioner
Qwen3-Omni-Captioner是以通义千问3-Omni为基座的开源模型，无需任何提示，自动为复杂语音、环境声、音乐、影视声效等生成精准、全面的描述，能识别说话人的情绪、音乐元素（如风格、乐器）、敏感信息等，适用于音频内容分析、安全审核、意图识别、音频剪辑等多个领域。
多语言音视频流实时翻译-通义千问-大模型服务平台百炼-阿里云
qwen3-livetranslate-flash-realtime 是视觉增强型实时翻译模型，支持 18 种语言（中、英、俄、法等）互译，可同时处理音频与图像输入，适用于实时视频流或本地视频文件，利用视觉上下文信息提升翻译准确性，并实时输出高质量的翻译文本与音频。
阿里云AirCache技术实现多模态大模型高效推理加速，入选国际顶会ICCV2025
近日，计算机视觉国际大会ICCV2025公布论文评选结果，阿里云自主研发的最新技术成果《AirCache: Activating Inter-modal Relevancy KV Cache Compression for Efficient Vision-Language Model Inference》被大会录用。该研究聚焦视觉语言模型（VLMs）的高效推理难题，提出了一种新颖的AirCac....
Gemma 3n正式版开源：谷歌全新端侧多模态大模型，2GB 内存就能跑，重点提升编码和推理能力！
01.引言 6月底，Google正式开源发布了全新端侧多模态大模型 Gemma 3n！相较此前的预览版，最新的 Gemma 3n 完整版进一步提升性能表现，支持在 2GB 内存的硬件上本地运行，重点提升了编码和推理方面的能力。 Gemma是来自Google的一系列轻量级、最先进的开放模型， 它们基于创建Gemini模型所用的相同研究和技术构建。 Gemma 3n模型专为在资源有限...
小米又放大招！MiMo-VL 多模态大模型开源，魔搭推理微调全面解读来了！
01.引言 今天，小米开源发布两款 7B 规模视觉-语言模型 MiMo-VL-7B-SFT 和 MiMo-VL-7B-RL。 MiMo-VL-7B的模型架构为： ① 保持细粒度视觉细节的原生分辨率ViT编码器 ② 用于高效跨模态对齐的MLP projector ③ 专为复杂推理任务优化的MiMo-7B语言模型 ...
MustDrop：多阶段去除冗余视觉token，提升多模态大模型推理效率
论文标题： Multi-Stage Vision Token Dropping: Towards Efficient Multimodal Large Language Model 单位： 本文由国防科技大学、合肥工业大学、上海交通大学共同完成。 论文链接： https://arxiv.org/pdf/2411.10803 模型链接： ht...
首个Mamba+Transformer混合架构多模态大模型来了，实现单卡千图推理
在人工智能领域，多模态大模型（MLLMs）的发展一直备受关注。这些模型能够同时处理文本、图像等多种类型的数据，在视频理解、高分辨率图像分析以及多模态智能体等领域具有广泛的应用前景。然而，随着模型规模的不断扩大，如何在保持性能的同时提高计算效率成为了一个亟待解决的问题。 近日，一篇名为《LongLLa...
本页面内关键词为智能算法引擎基于机器学习所生成，如有任何问题，可在页面下方点击"联系我们"与我们沟通。
通义大模型
阿里云自主研发的通义大模型，凭借万亿级超大规模数据训练和领先的算法框架，实现全模态高效精准的模型服务调用。https://www.aliyun.com/product/tongyi
+关注