8月11日，智譜開源了其最新一代視覺理解模型GLM-4.5V。這一模型基于智譜新一代文本基座模型GLM-4.5-Air訓(xùn)練而來，延續(xù)上一代視覺推理模型GLM-4.1V-Thinking的技術(shù)路線，擁有1060億參數(shù)，120億激活參數(shù)。GLM-4.5V還新增了思考模式的開關(guān)功能，用戶可自主控制模型是否進行思考。這一模型的視覺能力解鎖了一些有趣的玩法。例如，模型現(xiàn)在可以看懂麥當勞和肯德基炸雞翅的區(qū)別了，還從炸雞的色澤、外皮質(zhì)感等角度，進行了全面分析。
7月17日，字節(jié)跳動豆包大模型視覺多模態(tài)生成方向負責人楊建朝在公司內(nèi)部宣布“暫時休息”，相關(guān)工作已完成交接。其工作由周暢（花名“時光”）接手，周暢所在架構(gòu)仍為“多模態(tài)交互與世界模型”部門，向吳永輝匯報。此次人事變動原因未明確，有知情人士稱是“家庭因素”，也有說法稱其因長期高強度工作身心俱疲。楊建朝是字節(jié)AI體系內(nèi)公認的“技術(shù)大?！?，曾師從“計算機視覺之父”Thomas Huang，2018年加入字節(jié)跳動，2023年起帶領(lǐng)Seed視覺部門。接任者周暢本科畢業(yè)于復(fù)旦大學(xué)，博士就讀于北京大學(xué)，曾擔任阿里巴巴通義千問大模型的技術(shù)負責人，主導(dǎo)開發(fā)了M6多模態(tài)預(yù)訓(xùn)練模型，2024年7月從阿里離職后加入字節(jié)跳動。
4月16日，百度開發(fā)者大會上，百度創(chuàng)始人、董事長兼首席執(zhí)行官李彥宏表示，視覺大模型最大的應(yīng)用場景是自動駕駛?；诔^1億公里的、中國復(fù)雜城市道路測試里程數(shù)據(jù)，百度訓(xùn)練出來了Apollo視覺感知大模型。目前，搭載該方案的極越汽車高階智駕覆蓋里程將超50萬公里。極越汽車表示，預(yù)計2024年只要有百度地圖的地方，就可以使用點到點智能駕駛。