Mk1.5 发布:扩展视频定位、音频与视听理解能力
AkshatS07 · x · 2026-09-25
团队发布 Mk1.5,继续扩展感知理解的模态与保真度:新增视频定位(video localization),并扩展到音频与视听理解。
针对实时构建现实世界 Agent 时模型容量难以容纳世界知识的痛点,Mk1.5 学会对工具与外部知识进行推理,将世界知识与推理清晰解耦:可调用搜索、以图搜图等工具,在保持高效的同时回答复杂的世界知识问题。
所属事件:Mk1.5 实时多模态推理模型发布，延迟降低 2-5 倍(4 条相关)→
「多模态」频道最新
- 用 Fable 5.2 + Tripo 在 three.js 里做出像素巨龙巢穴场景 — Flomerboy · 2026-11-11
- Adobe MAX 现场演示：手机拍像素素材 + Firefly 生成改装车库大片 — shashib · 2026-11-11
- 不用视频模型:Blender+Claude Code 打造月光图书馆电影感短片 — dotey · 2026-11-11
- AI 生成 MV「官僚修女」:雨夜哥特教堂场景电影感惊人 — rilex037 · 2026-11-11
- 「埃及法王」AI 人像刷屏：光影与法老剪影的氛围感创作 — egeberkina · 2026-11-11
- MiniMax H3-Image 支持单次生成融合 16 张参考图 — MiniMax_AI · 2026-11-11