百度推出真·AI相机，拍照存储管理一步到位 百度网盘、文库联合发布“真·AI相机”，集拍照、存储、管理于一体。“即拍即存”功能让照片自动归档至云相册，避免手机存储不足问题。智能分类管理使用户可通过语音描述快速检索目标图片。 AI相机具备多种实用技能：秒变美颜相机，修图效果自然；拍摄花鸟鱼虫时...

6月10日，百度AI Day开放日上，百度网盘与文库联合发布行业首款‘拍存管一体’的AI相机，实现全模态输入、处理、输出的完整AI能力。该相机已上线百度网盘APP，支持即拍即存、智能扫描、修图、管理等功能，覆盖生活、学习、工作全场景。例如，生活场景下可进行人像美化、万物识别；学习场景支持拍照解题、错题整理；工作场景则提供文件扫描、翻译等服务。此外，百度文库推出的GenFlow超能搭子2.0升级版，具备多智能体协作能力，可生成多模态内容并支持后链路编辑。截至目前，百度文库MAU达9700万，拥有14亿专业内容资源；百度网盘APP MAU超1.5亿，居国内总榜首位，展现AI时代国民级产品的价值。

腾讯计划发布首个全模态模型混元-O，瞄准通用人工智能(AGI)，预计今年6月上线端到端语音通话模型Hunyuan-Voice。混元团队以语言模型为核心，探索多模态融合，目标是打造具备自主学习和推理能力的世界模型。腾讯混元已在多个领域取得进展，TurboS模型在权威评测中排名全球前八，理科推理等能力显著提升。腾讯正加大AI投入，2024年研发投入达706.86亿元，过去七年累计超3900亿元。AI落地方面，腾讯元宝接入DeepSeek-R1模型，并支持多业务场景，微信搜索也整合了混元和DeepSeek能力。腾讯计划在AI智能体和商业化落地领域与阿里通义、字节豆包竞争，尤其聚焦“AI+云”平台。

以下是原文 正文：百川智能于1月26日宣布上线开源全模态模型Baichuan-Omni-1.5。该模型支持文本、图像、音频和视频的全模态理解，并具备文本和音频的双模态生成能力。据官方称，Baichuan-Omni-1.5在视觉、语音及多模态流式处理等方面优于GPT-4o mini，尤其在多模态医疗应用领域表现突出。模型采用端到端解决方案，支持多语言对话和音视频实时交互。在视频理解能力方面，通过多个关键环节优化，性能大幅超越GPT-4o mini。模型结构上，支持多种模态输入并通过Text Tokenizer和Audio Decoder同时生成文本和音频。百川智能构建了包含3.4亿条高质量图片/视频-文本数据和近100万小时音频数据的数据库。开源地址：

12月16日，无问芯穹宣布开源全球首款端侧全模态理解模型Megrez-3B-Omni，该模型能处理图像、音频、文本三种模态数据。在图像理解方面，它在多个主流测试集中表现优异；在文本理解方面，它在多个权威测试集中达到最优精度；在语音理解方面，支持中英语音输入及复杂多轮对话。此外，其单模态版本Megrez-3B-Instruct在推理速度上比同类模型快300%。相关资源已上传至Github、HuggingFace等平台。

全球首个端侧全模态理解开源模型来了！这个模型名为Megrez-3B-Omni，具有多项优势。它能轻松处理图片、音频、文本三种模态数据，且体积轻巧，速度飞快。 在图像理解方面，Megrez-3B-Omni作为3B模型，其综合性能表现超过34B的大模型。它在多个主流测试集上精度最高，能够准确理解和分析图...

港中文及中科院团队发布全新预训练范式MiCo，引领全模态智能潮流。通过大规模预训练，MiCo能理解各种模态并学习通用表示，已在10种单模态感知、25种跨模态任务和18种多模态语言模型中取得37项SOTA记录。研究借鉴人脑多模态认知理论，设计出适应全模态（包括图像、音频、文字等）的神经网络结构，旨在解决多模态理解中的问题。MiCo展示了在多项基准测试中的卓越性能，预示着未来全模态AI的潜力。项目开源，期待推动全模态技术发展。#全模态预训练 #MiCo #AI创新