「多模态条件控制」共找到 1472 篇相关文章
港中文联手美团开源“视觉推理通才”！图像视频10类任务一网打尽
香港中文大学MMLab与美团研究团队开源OneThinker模型，它可覆盖图像与视频十类核心视觉任务，在31项测试中表现出色，还展现泛化能力。研究团队搭建数据集，并引入EMA - GRPO算法提升训练稳定性。
Gemini 3 上线两周，ChatGPT 日活下降 6%，Altman 内部信拉响红色警报
2025年12月初，AI领域权力转换，Google新一代多模态模型Gemini 3挑战ChatGPT。自其发布两周，OpenAI日活降6%。Sam Altman发内部信拉响警报，要求聚焦提升ChatGPT核心体验。
把 Nano Banana/Gemini 3 Pro 榨干！这几点你必须知道
Gemini 3 放出 Pro 和 Nano Banana Pro 两条线，前者主打长上下文、多模态推理，后者专攻像素级生成。文章提炼精髓，给出“通用 + 像素”双模实战笔记，介绍两者使用要点及创意场景实测。
Meta提出数据筛选的理论：何时“少即是多”成立？
Meta针对机器学习领域‘少即是多’悖论提出理论框架，用高维统计等方法推导测试误差缩放定律，揭示数据筛选‘相变’条件，为实践提供指导，还重新定义‘数据效率’意义。
AI是「天才」还是「话术大师」？Anthropic颠覆性实验，终揭答案！
Anthropic新研究证实Claude模型有一定内省意识，能控制自身内部状态。用「概念注入」实验，Claude Opus 4和4.1表现最佳。不过该能力不可靠、局限大，未来进化情况待察。
DeepSeek重磅开源3B OCR模型，一天处理20万页文档！一天内斩获6K标星！
DeepSeek开源3B OCR模型DeepSeek - OCR，参数量仅30亿，单张A100 - 40G一天能处理20万页文档，不到24小时获6K标星。它是视觉压缩引擎，解决大模型处理长文本算力爆炸问题，有诸多技术亮点。
轻量高效，即插即用：Video-RAG为长视频理解带来新范式
现有视觉语言模型处理长视频面临诸多难题，厦门大学等联合提出轻量高效、无需微调的 Video-RAG 框架，采用多模态辅助文本检索增强生成，解决长视频理解问题，适用于多场景。
国产手机正从底层重构安卓！vivo版AI OS亮相了
在vivo开发者大会上，OriginOS 6正式亮相，AI功能全面更新，还首次上线Live Photo的AI消除。它用自研技术重构安卓底层核心，首发蓝河流畅引擎，从计算、显示、存储三大模块优化。
Sam Altman 刚刚发文：Sora 2要高速迭代，两大变革直指版权与搞钱
Sora 2因大量侵犯日本动漫 IP 遭日本高层施压。Sam Altman 宣布立即调整，一是赋予版权方更精细的角色生成控制权，二是尝试商业化并与版权方收入分成，还会高频迭代，新方法将用于所有产品线。
科幻！谷歌放出Gemini Robotics-ER 1.5：机器人有了真正的思考力
谷歌推出首个广泛开放给开发者的机器人具身推理模型Gemini Robotics - ER 1.5，可作为机器人高级推理大脑。它能解决物理问题，有新能力如快速空间推理等，还能让开发者平衡延迟与准确性。