搜索：多模态思维链

「多模态思维链」共找到 1405 篇相关文章

你那上万行Agent代码都是垃圾！Browser Use作者骑脸输出，开源了Manus级内核。

Browser Use作者Gregor Zunic称上万行Agent代码是垃圾，提前开源驱动BU.app的Agent内核。其核心仅一个for循环，理念是价值在模型非代码，还介绍三大支柱，使用方便，项目大道至简。

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。

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。

新智元报道，78岁生日时，谷歌为Hinton在多伦多大学设讲席教授。Hinton认为谷歌已反超OpenAI，还表示现在不是放弃CS学位的时候，该学位在很长时间都有价值，CS课程也需与时俱进。

50年来，顶尖科学家死磕「旅行商问题」等计算机复杂性难题无果。清华姚班陈立杰等人在《Reverse Mathematics Below the Turing Jump》论文中，采用「逆向数学」方法，发现许多理论底层逻辑等价，颠覆千年思维范式。

研究人员发布医疗健康AI智能体全面综述，梳理其全生命周期。数据显示截至2025年相关论文较2024年增超130%。研究前沿在数据、技术、应用上扩展，同时指出面临的挑战与未来方向。

字节跳动抖音SAIL团队联合港中文MMLab提出SAIL - Embedding，专为大规模推荐场景设计，实现视、文、音统一表征，解决传统多模态模型局限，在抖音业务场景效果显著，相关技术报告已公开。

InfoQ《极客有约》X AICon 直播聚焦端侧大模型，探讨其落地挑战与破局思路。专家指出端侧部署有隐私、可用性等优势，但面临内存、精度等难题。华为、支付宝等分享方案，还探讨应用场景、商业模式及未来趋势。

LMArena最新榜单显示，腾讯「混元图像3.0」在文生图任务中夺冠，碾压谷歌Nano banana和字节Seedream 4。它9月28日开源，性能对标闭源模型，有强大推理、语义理解能力，支持中英文长文本渲染。

加州大学圣地亚哥分校团队开发的DreamPRM-1.5在MMMU测评榜夺冠，超越GPT-5、Gemini 2.5 Pro Deep-Think。它细化加权粒度到样本，有Instance Table和Instance Net架构，采用双层优化与生成式奖励模型。