Qwen-Image-Edit基于 20B Qwen-Image 模型，成功地将 Qwen-Image 独特的文本渲染能力扩展到了图像编辑任务中，实现了精确的文本编辑。

自从 2023 年 11 月 Grok 首次亮相以来，马斯克的 xAI 正在大模型领域不断取得进步，向 OpenAI 等先行者发起进攻。

最近，华中科技大学和金山的研究人员在多模态大模型 Monkey [1]（Li et al., CVPR2024）工作的基础上提出 TextMonkey。

基于Vicuna-1.5 7B 字节&复旦大学多模态理解大模型来了： 可以精确定位到视频中特定事件的发生时间。 比如在下面这个视频中： 狗子转身看镜头时的时间戳是多少？ 什么时候用爪子推开滑板？ 在这

中英文两大权威榜单领先 领跑中英文两大权威榜单，李开复零一万物交出多模态大模型答卷！ 距离其首款开源大模型Yi-34B和Yi-6B的发布，仅间隔不到三个月的时间。 模型名为Yi Vision Lang

本文提出了视觉 GUI Agent，使用视觉模态（而非文本）对 GUI 界面进行更全面直接的感知，从而做出规划和决策，同时，研发了多模态大模型 CogAgent。

图像字幕、手语识别、情感分析、视频处理、更聪明的数字人、数据集等场景：模态的发展为AI开辟了新途径，使二进制数据能够理解并处理各种类型的数据。多模态模型将在不久的将来更全面和智能化的系统。

随着视频社会化趋势以及各类视频平台的快速兴起与发展，「视频检索」越来越成为用户和视频平台实现高效查找视频、定位目标内容的新需求。

多模态大模型(MM-LLMs，全称Multimodal Large Language Models)的迅猛发展与提示工程(Prompt Engineering)的深度融合，正在为软件测开领域注入颠覆性