「多模态输入」共找到 1114 篇相关文章
大模型被确诊「视觉文盲」！多校联合提出MILO，为它植入空间想象力
空间推理是多模态大语言模型（MLLMs）应用关键挑战，当前‘语言描述式调优’让模型成‘视觉文盲’。多校联合提出MILO范式，结合视觉生成反馈与语言调优，还构建GeoGen数据集，经五大任务验证其有效。
黄仁勋GTC开场：「AI-XR Scientist」来了！
英伟达CEO黄仁勋在GTC大会展示LabOS，这是全球首个融合AI与XR的协研科学家平台。它将多模态感知等技术融合，构建端到端闭环，还通过三大生物医学案例展示功能，开启人机协同科研新纪元。
全新SkyReels发布，昆仑万维要通吃创意生态 | 甲子光年
11月4日，昆仑万维发布全新SkyReels，定位“一站式、零门槛多模态AI创意平台”。它有无限画布、智能副驾、AI视频模板三大革新，重构创作流程。其技术进化快，还加入平面设计功能，有望撬动更大应用市场。
谷歌最强AI图像模型Nano Banana 100+精选案例，商业级 AI 创意图集！附高清Prompt
Awesome-Nano-Banana-images收集Nano-banana在各任务场景生成的惊艳图片与提示词，展示Google图像生成与编辑无限可能。文中列举插画变手办、根据地图箭头生成图片等110个案例及对应输入和提示词。
天工Skywork开始"看"小红书了，1247个帖子的图片信息被它吃透！
昆仑万维技术发布周推出Skywork Deep Research Agent v2。它整合多模态检索理解和跨模态生成能力，有信息检索、小红书Agent等功能，Office Agent也有升级，还新增积分预估等特性，邀测后将全量开放。
GPT-5来了！人人都能免费用，最强大模型只需最傻瓜式使用
全世界等了2年，GPT - 5正式发布，面向所有人免费开放。它在AIME 2025取得优异成绩，编程等方面全面提升，集成多模态和推理能力，还推出多种使用模式和API模型，不过也遭马斯克等质疑。
95后北大校友挑起ChatGPT Agent大梁！今年刚博士毕业，曾获陶哲轩支持的AIMO第二名
OpenAI发布ChatGPT Agent项目，奥特曼重视有加，让两个华人挑大梁。孙之清从技术介绍强化学习训练，Casey Chu谈人类与Agent合作。孙之清是95后北大校友，Casey Chu领导过GPT - 4视觉输入原型开发。
百度在 AI IDE 上的决心
百度发布国内首个多模态、多智能体协同的AI IDE：Comate AI IDE。其功能完备，百度在AI IDE赛道决心大。随着模型和Agent能力提升，百度认为未来IDE竞争本质是Agent竞争，其早有相关布局。
MiniMax-M1：全球首个开源超长上下文大模型，超越DeepSeek-R1，推理成本仅1/4
MiniMax-M1是全球首个开源超长上下文大模型，刷新三项记录。它采用混合专家架构，闪电注意力让推理复杂度近乎线性增长。CISPO算法加速训练，成本低。在工业级任务测试表现佳，已开源且方便开发者接入。
“甲方快乐模型”诞生，拿下平面设计新SOTA！多条件一键生成，还能独立调整元素 | 复旦＆字节
复旦大学和字节跳动团队联合提出CreatiDesign新模型，可实现高精度、多模态、可编辑的AI图形设计生成。它解决了以往方法在处理图形设计时的难题，在多维度评估基准上表现出色，还支持多轮编辑。