蚂蚁百灵大模型全面升级多模态能力

什么是多模态能力？

多模态能力是指大模型能够理解和处理多种类型的数据，包括音频、视频、图像和文本等。这种能力使得大模型更像人一样感知和互动，支撑智能体体验升级。

蚂蚁百灵大模型的多模态能力有哪些应用？

支付宝智能助理

蚂蚁百灵大模型的多模态能力已应用于“支付宝智能助理”上，未来还将支持支付宝上更多智能体升级。例如，根据用户语音指定直接在星巴克小程序下单一杯咖啡。

医疗领域

在医疗领域，多模态能力可以对超过100多种复杂的医学检验检测报告进行识别和解读，还可以检测毛发健康和脱发情况，为治疗提供辅助。

生活服务和搜索推荐

蚂蚁集团使用多模态模型实现了ACT技术，让智能体具备一定规划执行能力，已应用于生活服务、搜索推荐、互动娱乐等场景。

蚂蚁百灵大模型的多模态能力的技术水平如何？

评测成绩

百灵大模型多模态能力在中文图文理解MMBench-CN评测集上达到GPT-4o水平，在信通院多模态安全能力评测达到优秀级（最高）。

应用潜力

多模态大模型技术能够使AI更好地理解人类世界的复杂信息，也让AI落地应用时更符合人类的交互习惯，在智能客服、自动驾驶、医疗诊断等多个领域展现出巨大的应用潜力。

蚂蚁百灵大模型的多模态能力有哪些创新应用？

视频对话的自然形式

通过视频对话的自然形式，AI助理能为用户识别穿着打扮，给出约会的搭配建议。

食材搭配

根据用户不同的意图，从一堆食材中搭配出不同的菜谱组合。

药物推荐

根据用户描述的身体症状，从一批药物中，挑选出可能合适的药，并读出服用指导，供用户参考。

蚂蚁百灵大模型的多模态能力如何推动产业创新？

支付宝多模态医疗大模型

论坛上同时发布的“支付宝多模态医疗大模型”，添加了包含报告、影像、药品等多模态信息在内的百亿级中英文图文、千亿级医疗文本语料以及千万级高质量医疗知识图谱，具备专业医学知识。

遥感模型SkySense

由蚂蚁集团与武汉大学联合研发的遥感模型SkySense，是目前参数规模最大、覆盖任务最全、识别精度最高的多模态遥感基础模型，并公布了开源计划。

结论

“从单一的文本语义理解，到多模态能力，是人工智能技术的关键迭代，而多模态技术催生的‘看听说写画’的应用场景，将让AI的表现更真实，更接近人类，从而也能更好地服务人类。蚂蚁会持续投入原生多模态技术的研发。”徐鹏说。

‍