阿里开源TLive-Omni：电商直播全模态理解模型，支持256K上下文
aigclink · x · 2026-08-26
阿里淘宝开源了电商直播全模态理解模型TLive-Omni，基于Qwen3.5骨干和AuT音频编码器，支持256K token上下文。模型采用Timestamped Per-vGrid布局，将音频和视频token按时间网格对齐，解决音画秒级对齐问题。具备语音识别、说话人识别、商品视觉定位、OCR、时序定位、视频密集描述、全模态问答、多维度镜头标注等能力。已发布4B和9B版本，技术报告已上线arXiv。可应用于直播回放系统、直播复盘、内容切片等场景。
所属事件:TLive-Omni电商直播全模态理解模型开源(4 条相关)→
「模型」频道最新
- 英伟达 Nemotron 3.5 Super VL 上线 CoreWeave：12B 激活参数多模态 MoE，输入仅 $0.25/百万 tokens — wandb · 2026-10-16
- 爆料人称 Opus 5 或采用深度循环架构，方向仍存变数 — scaling01 · 2026-10-16
- GPT-6.1 审查 arXiv：6% 论文主定理有错，近两月降至 1.5% — nitarshan · 2026-10-16
- Nvidia 联手 Nolla 后训练 Nemotron 3.5 VL，皮肤科诊断称超越前沿 — LoganGrasby · 2026-10-16
- Gemini 4 Argon 登顶 ARC-AGI-3 达 97.5%，第二家破 95% — patience_cave · 2026-10-16
- 微软 MAI 自研 3T 参数基座模型亮相，多项 held-out 评测领先 — soldni · 2026-10-16