多模态语音能力仍被低估
emollick · x · 2026-07-14
作者认为，图像输入可能是当前模型最重要的能力之一，而工具调用在一定程度上可以替代“非 omni 模型”的部分输出能力。相比之下，多模态语音能力似乎还没有被充分挖掘，至少目前主要还是 OpenAI 在推动。
回复里也提到一个观察：真正的“任意输入-任意输出”的完整多模态模型并没有成为更大的行业焦点。Google 是少数持续发布这类模型的实验室；OpenAI 走的是选择性多模态路线；Anthropic 一直没有多模态输出；开源权重模型的表现则参差不齐。
所属事件:行业探讨全模态模型为何未能成为主流(3 条相关)→
「模型」频道最新
- KOL 吐槽 OpenAI 6.1 Sol 被评 B 级:发布策略搞砸了 — Angaisb_ · 2026-10-27
- php2shell 漏洞实测：仅 2/5 前沿模型能完成利用移植，耗时 3.5-6 小时 — xeophon · 2026-10-27
- Qwen Code 发布 v0.26.2 预览版：新增会话权限规则与实验性共享 Agent Loop — qwen-code-review-bot · 2026-10-27
- GPT-6.1 Terra 事实错误率从 22.3% 降至 4.3%，降幅近 81% — haider1 · 2026-10-27
- GPT-6.1 Terra 发布:早期用户称写作与 computer use 表现亮眼 — BenBajarin · 2026-10-27
- GPT-6.1 Terra 跑分曝光:成本低至 Sol 一半,追不平 Astra — Angaisb_ · 2026-10-27