「多模态交互」共找到 1457 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。
实测完“灵光”，我意识到人类对 AI 助手的开发不足1%
作者实测蚂蚁集团的AI应用「灵光」，它是面向普通人的零门槛全模态AI助手，能30秒生成可互动小应用。作者测试其三大功能，认为人类对它的开发不足1%，它或成探索世界的伙伴。
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。
Spring AI Alibaba实践｜后台定时Agent
文章参考Langchain，探讨Agent新运行形态，Spring AI Alibaba（SAA）为开发提供框架。介绍自主运行Agent优势、适用场景，说明构建方法，还给出店铺经营分析和评价舆情分析两个实践案例代码。
Sora2甚至可以预测ChatGPT的输出
Sora2表现太卷，能预测ChatGPT输出，模拟交互还能渲染HTML，懂代码也懂物理，能体现玻璃折射现象，还能精准还原游戏支线任务关键要素，或基于LLM训练。
Databricks收购Mooncake，Lakebase想给AI应用换个“心”
Databricks收购Mooncake Labs，旨在推进为AI智能体优化的新型OLTP数据库Lakebase。它基于Postgres，想让数据直接用于工作负载，省去ETL流程，简化AI应用后端数据架构设计。
SceneWeaver：面向通用三维环境生成的反思型智能体框架
室内场景合成在具身智能兴起下愈发重要，现有方法存在局限。BIGAI提出SceneWeaver框架，通过基于工具的迭代优化统一多样场景合成范式，具有高保真模拟、强健物理交互等优势。