美团刚刚开源了一款低延迟全模态大模型：LongCat-Flash-Omni，128K上下文+支持超8分钟实时音视频交互能听能看能说，毫秒级延迟，可以拿来搭建实时语音助手、直播弹幕机器人、音视频质检等在OmniBench上超Gemini-2.5-Flash、Qwen3-Omni，接近Gemini 2.5 Pro；在MMBench与Gemini、GPT-4o、Qwen-VL相当；MVBench

#美团 #LongCat-Flash-Omni #开源 #大模型 #多模态 #低延迟

相关新闻

Rainier

19小时前

中国的做法，其实让市场竞争变得更加激烈。一个产品的利润，往往来自几个部分——软件，以及硬件的租赁。在过去，美国的科技公司利润主要来自软件，硬件租赁只是小头。而从边际成本来看，软件的成本要低得多。软件靠什么赚钱？靠算法和工程实现。比如，OpenAI 是最早发现通过强化学习（RL，比如 GPRO）可以产生“涌现”现象的公司，然后他们悄悄地把这一技术用于自家产品。从商业角度看，这是完全合理的做法

AIGCLINK

1天前

阿里最新放出了一款用于理解和操作GUI的GUI Grounding模型：UI-Ins，在5个基准上刷出新SOTA，安卓任务成功率74.1% 主打一个“把一句话变成屏幕上的准确点击”，指令即推理，它把一句话拆成多条思维链，然后挑最靠谱的那条去点屏幕有泛化推理能力，能组合出训练时没有明确教过的新推理角度有7B、32B两版 UI-Ins的7B在AndroidWorld端到端任务成功率74.1

sitin

1天前

月之暗面把 Kimi Linear 开源了！这东西是专门用来处理超长文本的。简单说几个数据： KV 缓存降了 75%，处理百万字的文本时，解码速度能快 6 倍多。技术上用了个 3:1 的混合设计，就是 3 个线性注意力层配 1 个全注意力层。核心模块叫 KDA，能让模型自己判断该记住什么、该忘掉什么。测试下来，在长文本生成、代码理解、数学推理这些场景，表现确实比传统的全注意力

Gorden Sun

2天前

ChronoEdit-14B：英伟达开源的图片编辑模型类似Nano Banana，但是效果差一些，人物一致性保持的还可以，但是语义理解不太行，比Kontext Dev强一些。模型：

Gorden Sun

2天前

LLM训练手册 HuggingFace分享了他们训练SmolLM3-3B的详细操作步骤，200多页的文档。地址：

关联事件

OpenAI新德里发布会：ChatGPT语音翻译功能引发热议

611

在新德里举行的活动中，OpenAI宣布即将推出o3-Pro模型，取代现有的o1-Pro模型，旨在提升ChatGPT的推理能力和功能。同时，OpenAI还发布了ChatGPT高级语音模式的升级，新增了自然停顿、重音处理、同理心表达和双向自动翻译等功能。这一更新已向所有付费用户开放，预计将进一步增强ChatGPT的用户体验和市场竞争力。随着用户基数的不断扩大，OpenAI的这些新功能引发了广泛关注，尤其是在人工智能语音交互领域的应用潜力。