「多模态理解与生成」共找到 3413 篇相关文章
我手搓了一个Seedance 2.0分镜Skill：一键生成电影级Prompt，再也不用为提示词发愁了
作者为解决用Seedance 2.0写分镜提示词难题，手搓Seedance Storyboard Skill。它能引导用户完成分镜细节，输出专业提示词。作者实测4种风格案例效果佳，还介绍了Skill原理、安装使用方法。
老黄在CES 2026 上预言：将要告别应用软件的预编译时代，未来的应用是 GPU 上实时生成每一个像素
黄仁勋在CES 2026预言，应用将告别预编译时代，在GPU上实时生成像素。他回顾2025年AI关键进展，介绍Agentic AI特点与能力，还谈了其搭建及应用前景，指出未来软件或基于Agent交互。
美团开源LongCat-Image，6B参数挑战80B效果，中英双语理解、图像逼真度及复杂指令编辑新突破
美团开源6B参数图像模型LongCat-Image，在双语文本理解、图像逼真度及复杂指令编辑任务中表现出色。它以轻量化设计超越大模型，还解决中文文本渲染难题，有精确图像编辑能力，且提供全链路开源方案。
数学奥赛高分摘金，位列大模型榜首，『书生』科学多模态大模型Intern-S1能力再升级 | 通专融合新进展
2025年CMO决赛首设AI测试，书生科学多模态大模型Intern-S1以102分位列大模型得分榜首，远超金牌线和国家集训队入选线。其推理能力提升得益于多项创新，未来将拓展至多领域科研。
首款推理具身模型，谷歌DeepMind造！自主理解/规划/执行复杂任务，打破一机一训，还能互相0样本迁移技能
谷歌DeepMind发布新一代通用机器人基座模型Gemini Robotics 1.5系列，由GR 1.5和GR - ER 1.5组成，结合视觉、语言与动作，实现“规划 + 执行”闭环，还提出Motion Transfer机制，能跨机器人迁移技能。
推荐两个Vibe Coding必备的skill，Vibe程序员效率起飞了
Vibe程序员应聚焦创意，提高效率很关键。文章推荐两个实用技能，一是codebase - to - course，助开发者理解代码库；二是app - store - screenshots，可快速生成应用商店图，都经作者实测。
阿里最新开源王炸Agent！性能全面SOTA！
阿里WebAgent更新频繁，基本一月一版。它是类似DeepResearch的通用智能体，历经WebWalker到WebWatcher多阶段演进，各阶段解决不同问题，如网页导航、自主信息搜集等，还不断优化训练数据生成与处理方式。
视觉模型既懂语义，又能还原细节，南洋理工&商汤提出棱镜假说
南洋理工与商汤团队提出 Prism Hypothesis（棱镜假说）与 Unified Autoencoding（UAE）。论文指出视觉基础模型中语义理解和像素保真很难兼得，用频率谱统一视角解决冲突，UAE 实验效果良好。
腾讯发布WeKnora知识库，无缝链接微信生态
微信团队推出基于大模型的文档理解检索框架WeKnora，应用于复杂异构文档场景。它采用多模态预处理等设计，有文档解析、意图识别等特点，可本地私有化，还能与微信生态无缝衔接。
小米发布Qwen2.5VL升级版MiMo-VL，能力提升30%
小米发布Qwen2.5VL升级版MiMo-VL，能力提升30%。它能完成输入视觉回答问题、做几何体等任务，重点解决多模态推理、视觉理解及与人类偏好对齐问题，介绍了模型结构、训练阶段等内容。