Mk1.5 发布:视频定位能力升级,扩展至音频与视听理解
AkshatS07 · x · 2026-09-25
新版本 Mk1.5 发布,继续扩展感知理解的模态与精度:新增视频定位(video localization)能力,并将理解范围扩展到纯音频与视听(audio-visual)理解。官方还展示了更多能力,包括改进的第一人称(egocentric)理解、推理能力,以及跨具身(cross-embodiment)应用示例。提供了在线 demo 和博客供试用。
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