「多模态Skill」共找到 1255 篇相关文章
DeepSeek 峰谷 Token 的开山鼻祖，原来是阿里这个桌面 Agent
文章介绍阿里桌面 Agent 工具 QoderWork，它是最早落地「峰谷 Token」的产品，晚上 Qwen3.7 - Max 模型 2 折。该工具功能丰富，能完成复杂任务，还把配置与使用分开，降低使用门槛。
阿里发布首个「音视频实时交互」模型，实现数字人实时视频聊天
阿里发布原生流媒体端到端模型Wan - Streamer v0.1，能实时聆听、观看、思考、说话和响应视频。它在单个Transformer内完成感知等操作，延迟低，具备端到端多模态统一、低延迟等特点。
ACL 2026｜证据摊开看，场景图画清：让流式视频大模型拿捏「何时开口」
随着多模态和大语言模型发展，人类与 AI 交互走向共生。现有视频大模型难把握响应时机，西北工业大学等团队在 ACL 2026 提出 Response - G1 框架，实验显示其提升了模型性能。
从「说错话」到「干错事」：复旦、CityUHK、SMU、UIUC等13家机构联合发布「具身智能安全」综述
具身智能正从实验室走向现实世界，却带来‘干错事’的现实风险。13家机构38位学者联合发布70+页综述，提出‘能力—风险’二象性，梳理各能力层攻击面与风险，还指出研究空白，维护开放资源生态。
阿里巴巴 & 蚂蚁 LoongSuite GenAI 可观测语义规范：从统一数据语言到规模化落地
随着GenAI发展，OpenTelemetry推动语义规范建设。阿里巴巴与蚂蚁联合推出LoongSuite GenAI SemConv，在OTel基础上增强，新增Entry/Step Span、Skill语义、Token级推理观测，还推出GenAI Utils简化插桩开发。
ChatGPT那一套要过时了？翁荔实测创业首个模型，回合制AI被“原生实时交互”秒了
Thinking Machines推出交互模型TML - Interaction - Small，可实时接收多模态输入并响应，性能超现有实时系统。该模型未开放，计划先有限预览再广泛发布，若开放将为企业带来巨大价值。
一个只有70行的文件，凭什么拿下GitHub 10万星？
GitHub上‘andrej - karpathy - skills’项目爆火，核心是不到70行的CLAUDE.md文件，给出AI编程助手行为准则。其火的原因有解决痛点、名人背书等，价值在于证明‘上下文工程’重要。
高效智能体的「幕后推手」是谁？一篇综述带你从记忆×工具学习×规划看透
随着大模型能力提升，业界关注智能体落地，而高效性是决定能否上线的‘硬’问题。论文梳理‘高效智能体’综述，从记忆、工具学习、规划三机制出发，还谈及基准评测、挑战与展望。
AAAI 2026 Oral｜InfiGUI-G1模型来了，刷新GUI Grounding SOTA
多模态大语言模型发展下，GUI Grounding任务是难题，现有RLVR方法有瓶颈。浙江大学等团队提出AEPO框架，推出InfiGUI - G1系列模型，小参数量刷新GUI基准测试SOTA，代码已开源。
382人、平均95后，MiniMax百亿估值冲刺IPO！招股书首次披露业绩：研发成本仅为OpenAI的1%、收入猛增8倍
12月21日，通用人工智能公司MiniMax通过港交所上市聆讯。其员工年轻，研发成本仅为OpenAI的1%，收入猛增，产品覆盖多模态。此次聆讯或倒逼行业转向“经营叙事”，加速行业分化。