概念
也叫：多模态大模型
结合多种模态数据的大型语言模型
最近变化
2026-07-17 · VideoChat3是首个全开放的视频MLLM，支持高效视频理解
MLLM 被反复提及时，通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
已收录 3 篇与「MLLM」相关的 AI 资讯和分析。
字节跳动开源统一视频生成与编辑框架Bernini，通过多模态大模型（MLLM）先理解语义指令并规划，再由DiT扩散模型执行高质量渲染，实现从“听指令”到“先理解再动手”的AI视频创作范式升级，支持天气、风格、动作、视角等可控编辑及参考图/视频生成。
入选理由：Bernini采用MLLM-based planner + DiT-based renderer双阶段架构，实现语义理解与视觉生成的解耦。
AWS发布了四种多模态评估器(Overall Quality, Correctness, Faithfulness, Instruction Following)，使用MLLM-as-a-Judge方法，通过直接向模型提供图像源数据，评估多模态任务中模型响应是否与图像内容一致，可有效检测视觉幻觉和事实错误。
入选理由：Gartner预测到2030年，80%的企业软件将采用多模态技术，比2024年不足10%大幅增长，凸显自动化多模态评估的重要性。
VideoChat3是首个全开放的视频多模态大模型，支持高效通用视频理解，但技术细节披露有限。
入选理由：VideoChat3是首个全开放的视频MLLM，支持高效视频理解
与「MLLM」经常一起出现的 AI 术语。
💡 想追踪「MLLM」的长期趋势？去 实体雷达 · MLLM 查看详细分析和跨材料问答。
