技术方向
文本之外的能力：视觉理解、图文混合、音视频输入输出的模型与产品进展。
4 条精选近 30 天 3 条共收录 5 条
AWS 博客称，TwelveLabs Pegasus 1.5 已在 Amazon Bedrock 可用。该视频语言模型可将长视频转换为带时间戳的结构化元数据：用户定义关注时刻后，模型以 JSON 返回所有匹配片段；新版本增加视频分段、支持参考图像的多模态提示，并可即时处理最长两小时视频。
为什么值得看：对企业负责人而言，该能力可用于视频内容检索、审核、归档和结构化分析等流程，并可直接在 AWS 云上部署，减少自建视频理解模型的工程投入。但来源为厂商发布信息，未披露价格、区域覆盖、配额、准确率和延迟，也未提供独立验证的客户效果，采购前需核实合规、成本与性能限制。
据 The Decoder 报道，Meta 推出开源权重模型 Muse Spark Open，拥有 8160 亿参数，可处理文本、图像、视频和音频，上下文最高达一百万 token。来源称其在基准测试中大致与最强的中国开源权重模型相当，并针对 Apple M5 Ultra 的本地运行进行了优化。
为什么值得看：企业负责人可关注其作为可本地部署的多模态长上下文模型选项，可能用于需要数据留在内网、处理长文档或多模态内容的场景，并影响硬件选型与推理成本评估。但许可证、商用条款、实际硬件门槛和基准细节尚未明确，需在采用前核实。
据机器之心知乎专栏消息，谷歌 DeepMind 正式面向全球上线 Gemini 4 系列首发前沿模型 Gemini 4 Argon。官方称该模型目标是解决现实世界复杂任务，聚焦软件工程、企业知识工作以及网络防御，目前主要面向全球开发者、企业和消费者逐步开放。核心基础能力方面，Gemini 4 Argon 延续长上下文与多模态原生架构优势，支持 100 万 token。消息还提到 API 价格限时五折。
为什么值得看：企业负责人可关注该模型在软件工程、企业知识工作和网络防御等场景的潜在应用，以及长上下文和多模态能力对文档处理、代码辅助和安全分析流程的影响；API 限时五折可能降低试用与集成成本。但需注意来源为媒体转述，开放范围、价格条件和实际效果应以谷歌官方信息为准，企业部署前还需核实合规、数据安全与区域可用性。
据MiniMax官方新闻，6月12日华为云与MiniMax原生多模态旗舰模型M3实现开源首发适配。华为云基于昇腾算力底座，为MiniMax提供Tokens算力支持。双方称打通从算力到企业生产力的闭环。
为什么值得看：该消息涉及国产算力平台与多模态大模型的适配，企业负责人可关注其在模型部署、算力供给和国产技术栈选型方面的潜在价值。但适配的具体能力、性能表现、可用范围与成本均未披露，需进一步核实后再评估是否纳入企业AI方案。