多模态

2026-11-01 · 基础设施与治理

语音Agent为何不能只看响应速度：识别、决策与音画同步要分别验收

语音Agent是由识别、决策、发声和交互状态共同组成的系统。Hugging Face的新组件介绍与NVIDIA作者的MonsterHouse原型说明，统一接口和流畅演示不能替代真实噪声、打断、状态连续性及人工接管测试，尤其不能把合成场景当作现场结果。

2026-10-09 · 基础设施与治理

Google DeepMind 发布 EmbeddingGemma 2，面向文本、代码、图像、视频和音频的统一向量表示，并强调端侧运行、隐私和离线检索。它为工厂本地资料搜索提供了新的技术选项，但公开基准不等于工厂现场可直接使用。

2026-10-09 · 制造业AI

Liquid AI 发布两款开放决策模型，分别支持文本加图像，以及文本加图像或音频输入，并公布了 Jetson 设备上的响应时间。它展示了边缘设备快速分类和路由的可能性，但其中一款仍处于早期研究阶段，且官方没有提供完整视觉和音频基准。