分割、识别、解说一个模型搞定！3B参数刷新视觉理解SOTA，图像视频全适配 可以输出语义的「分割一切模型2.0」来了！一次交互即可实现「分割+识别+解释+描述」，同时支持图像、视频和长视频，文本&Mask同步输出！ 由港中文MMLab、港理工、北京大学等机构开源的PAM（Perceive...

GPT-4o-Image仅完成28.9%任务！上海AI实验室等发布图像编辑新基准，360道人类专家严选难题 RISEBench团队投稿，量子位 | 公众号QbitAI报道。GPT-4o-Image在图像编辑新基准中仅完成28.9%任务，暴露出多模态模型在复杂图像编辑中的不足。 上海人工智能实验室...

国产AI豆包推出新功能‘视频通话’，支持实时视频交流与互动。该功能不仅可准确报时，还能实时分析视频内容，如识别《甄嬛传》剧情并点评角色。此外，豆包能通过联网搜索快速解答问题，例如解析物理题或提供菜谱建议，甚至解读复杂学术论文。其核心技术依托于‘豆包·视觉理解模型’，具备强大内容识别、逻辑推理及视觉创作能力，为用户提供实用且有趣的交互体验。此功能已在多个场景验证可用性，展现出高效、精准的特点，未来有望在教育、生活等领域广泛应用。

5月23日，豆包App正式上线视频通话功能，支持实时问答互动和视觉理解能力。用户可通过“打电话”界面发起视频通话，提问关于景点的历史背景、特色内容或路线规划等问题。该功能依托豆包最新的视觉理解模型，能融合视觉与语言输入进行深度思考，并接入联网搜索能力以提升对话准确性和时效性。此外，豆包视觉理解模型还可处理解微积分题、分析论文图表及诊断代码问题等复杂任务。

杭州领跑AI开源！阿里Qwen除夕开源视觉理解新旗舰，全系列3尺寸，7B模型超GPT-4o-mini 衡宇 白交 发自 川渝 量子位 | 公众号 QbitAI 眼看蛇年将至，杭州依旧充满活力。阿里通义Qwen今日凌晨4点发布了视觉理解模型Qwen2.5-VL，包含3B、7B和72B三个版本。Qwen...

阿里通义千问于1月28日宣布开源全新视觉理解模型Qwen2.5-VL，推出3B、7B和72B三个尺寸版本。该模型能识别物体、分析图像文本、理解长视频及捕捉事件。Qwen2.5-VL具备代理能力，可推理并使用工具，无需特定任务微调。在测试中，旗舰模型Qwen2.5-VL-72B-Instruct表现优异，涵盖多领域任务。较小模型Qwen2.5-VL-7B-Instruct在多项任务中超越GPT-4o-mini，Qwen2.5-VL-3B亦有出色表现。新模型增强对时空尺度感知，简化网络结构，提升效率。

阿里云宣布第三轮大模型降价，通义千问视觉理解模型降价超80%，输入价格低至0.0015元/千tokens。此次降价被视为对字节跳动豆包视觉理解模型的回应，后者千tokens价格为3厘。自大模型浪潮兴起，厂商投入巨大，降价潮对资金实力较弱的企业冲击较大。此外，大模型企业通过巨额广告投放抢夺市场，如Kimi和豆包在三季度广告费用分别达1.5亿和2亿。尽管如此，提升用户留存仍是关键。互联网大厂如阿里和百度正寻求C端突围，阿里将通义App分拆并入智能信息事业群，百度则加强AI搜索布局。

12月18日-19日，火山引擎FORCE原动力大会在上海举行，豆包视觉理解模型首次亮相并排名全球第二。该模型具备领先的内容识别、理解和推理能力，尤其在中文通用知识和文字识别方面表现突出。豆包视觉理解模型可识别图像中的物体、关系和场景，进行复杂推理，提取图片文本信息，并能细腻描述图像内容。此次大会还展示了豆包大模型家族的全面升级，包括音乐模型和文生图模型的新功能，以及豆包3D生成模型的首次亮相。

火山引擎在12月18日的“2024火山引擎FORCE原动力大会·冬”上发布了豆包视觉理解模型，并升级了火山方舟、扣子和HiAgent三款平台产品。豆包大模型日均tokens使用量超4万亿，7个月内增长超33倍。全资子公司光云科技因获得“钻石级万有伙伴”称号，股价连续两日涨停。字节跳动旗下火山引擎和巨量引擎分别与多家A股上市公司合作，包括华宇软件、中科创达、乐鑫科技、光云科技等。巨量引擎整合多个平台流量资源，为广告主提供精准投放服务。

12月20日，针对字节豆包视觉理解模型定价低于同行85%，火山引擎总裁谭待回应称，3厘/千tokens的价格仍能保持合理毛利。他认为，2B业务若毛利为负，规模越大亏损越多，商业模式不可行。字节通过技术优化（如算法预训练、工程错峰混部、P/D推理分离、硬件优化）实现低价。谭待强调，技术领先才能提供优质服务。（财联社）