HF Papers 直播| 多模态专场

Hugging Face × OpenMMLab × ModelScope × 知乎 × 机智流 等联合发起的【AI Insight Talk】系列直播活动第四场 - 多模态专场就在明天!

各家多模态大模型在近期纷纷开源,在开源社区引发了热烈讨论。这些模型不仅在参数规模、训练范式和应用场景上各具特色,更在开源社区的催化下形成了"百家争鸣"的生态格局。开发者们得以在代码级层面解构其架构设计,从 Transformer 变体到跨模态对齐机制,从指令微调策略到领域知识注入方法,为创新与实践提供了新的启发与可能。

本次我们邀请到了多位多模态模型背后的核心研发者,共同带来一场深度技术分享,系统解析模型设计思路与实践经验;同时还将举办圆桌对谈,汇聚多位顶尖开发者同台交流,碰撞思想火花!

📅 直播时间:2025 年 8 月 21 日( 周四 )20:00 - 22:00(北京时间)

直播观看地址:hf.link/o6cwf

嘉宾阵容 & 分享议题

Intern-S1:科学多模态大模型

陈恺:上海人工智能实验室 大模型中心负责人

简要概述 在科学发现过程中,传统的单一模态分析往往难以全面捕捉复杂现象,尤其是在跨学科领域的深度探索中更加显著。Intern-S1 融合了书生大模型家族的优势,在同一模型内实现了语言和多模态性能的高水平均衡发展,并富集多学科专业知识,重点强化了科学能力,为首个融合专业科学能力的开源通用模型,其综合性能为当前开源多模态大模型中最优,并连续多日登顶 Hugging Face 多模态 Trending 全球第一。本次分享将系统解读 Intern-S1 的核心技术架构与关键创新。

Hugging Face:huggingface.co/InternLM

MiniCPM-V:迈向高效端侧多模态大模型

姚远:面壁智能 MiniCPM-V、MiniCPM-o 技术负责人

简要概述 MiniCPM-V 和 MiniCPM-o 系列致力于实现"轻量级、高性能"的高效端侧多模态大模型。通过模型结构、训练方法、数据构造等方面的创新技术,最新的 MiniCPM-V 4.0 以 4B 参数量,实现了持平 GPT-4.1-mini 的视觉语言理解性能,并支持在手机设备上的低延迟流畅运行;MiniCPM-o 在视频、语音、文本的全模态实时流式交互方面,实现了持平 GPT-4o-202405 的能力水平。本次分享将介绍 MiniCPM-V 和 MiniCPM-o 的相关技术探索,以及开源部署工具。

Hugging Face:huggingface.co/openbmb

GLM-V:迈向通用推理的多模态大模型

余文梦:智谱 GLM-V 团队研究员

简要概述 面向通用多模态理解与推理,GLM-4.1V-9B-Thinking 与 GLM-4.5V 展开了重要探索,提出基于课程采样的强化学习方法(RLCS),在 STEM 推理、GUI Agents、Grounding、视频理解、代码生成、空间推理以及长文档解析等多样化任务上实现了显著提升。在 42 项公开基准的综合评测中,GLM-4.5V 在几乎所有同规模开源模型中取得领先,并在代码生成和 GUI Agents 等挑战性任务上表现出与 Gemini-2.5-Flash-202506 等闭源模型相当甚至更优的能力。与此同时,参数规模更小的 GLM-4.1V-9B-Thinking 也展现出极强竞争力。本次分享,将介绍这一系列模型背后的技术创新、实验成果,以及相应的开源与部署工具。

Hugging Face:huggingface.co/zai-org

Ovis多模态大模型:结构对齐下的视觉语言融合

卢世银 阿里巴巴国际数字商业集团高级算法专家

简要概述 目前,主流开源 MLLM 通常以预训练 LLM 和 ViT 为基础,分别通过索引嵌入表生成文本嵌入、通过 MLP 生成视觉嵌入,导致文本嵌入与视觉嵌入在结构上存在差异,影响多模态信息的深度融合。 针对这一挑战,阿里国际提出了新型 MLLM 架构 Ovis。Ovis 借鉴 LLM 的文本嵌入策略,引入可学习的视觉嵌入表,将视觉特征转化为概率化的视觉 token,并通过多次索引加权生成视觉嵌入,从而实现视觉与文本嵌入的结构化对齐与高效融合。本次分享将介绍 Ovis 的架构设计、训练策略、性能表现及开源最新动态。

Hugging Face:huggingface.co/AIDC-AI

阶跃星辰在多模态方向上的探索

孙泉:阶跃星辰研究员

简要概述 Step3 是一款前沿的开源多模态推理模型,基于 Mixture-of-Experts 架构,拥有 3210 亿参数(其中 380 亿为激活参数),在不同硬件平台上均能保持卓越的文本推理与多模态推理能力,能够实现精准的视觉理解,并显著降低幻觉率。NextStep-1 致力于探索新的自回归图像生成范式,通过采用轻量的 flow matching head 和更鲁棒的图像 tokenizer 实现在连续视觉空间中的自回归生成,在文生图和图像编辑任务上均表现出优异的性能。本次分享将介绍 Step3 和 NextStep-1 相关的技术探索。

Hugging Face:huggingface.co/stepfun-ai

观看直播

直播观看地址:hf.link/o6cwf

参与讨论

为了方便大家交流沟通,我们建立了相关的交流群,本期分享的作者们也在群里,欢迎大家入群交流。

📍8月21日 ( 周四 )晚 20:00,AI Insight Talk 不见不散!

相关推荐
AI数据皮皮侠37 分钟前
中国上市公司数据(2000-2023年)
大数据·人工智能·python·深度学习·机器学习
我爱计算机视觉37 分钟前
ICCV 2025 (Highlight) Being-VL:师夷长技,用NLP的BPE算法统一视觉语言模型
人工智能·算法·语言模型·自然语言处理
FunTester44 分钟前
人工智能:技术分类、核心领域与应用全景
人工智能·语言模型·分类
xwz小王子2 小时前
首个零样本跨本体泛化开源具身模型:智源RoboBrain-X0 技术细节全解析
人工智能·团队开发
ggaofeng3 小时前
深度学习基本函数
人工智能·深度学习
XINVRY-FPGA3 小时前
XCVU9P-2FLGA2104E Xilinx AMD Virtex UltraScale+ FPGA
人工智能·嵌入式硬件·fpga开发·硬件工程·dsp开发·射频工程·fpga
Elastic 中国社区官方博客5 小时前
Elasticsearch MCP 服务器:与你的 Index 聊天
大数据·服务器·人工智能·elasticsearch·搜索引擎·ai·全文检索
virtual_k1smet6 小时前
#等价于e * d ≡ 1 mod φ(n) #模逆元详解
人工智能·算法·机器学习
可触的未来,发芽的智生7 小时前
新奇特:神经网络的集团作战思维,权重共享层的智慧
人工智能·python·神经网络·算法·架构
H3C-Navigator7 小时前
HRPC在Polaris存储系统中的应用
网络·人工智能·ai-native