搜索：多模态文本智能

「多模态文本智能」共找到 4443 篇相关文章

景不动人动，MLLM如何面对「移步换景」的真实世界？OST-Bench揭示多模态大模型在线时空理解短板

上海多所高校研究者提出 OST - Bench，从智能体探索场景动态在线视角挑战大模型能力。它更贴近真实世界，揭示主流多模态大模型在线时空理解短板，为未来模型发展指明方向。

清华、腾讯、斯坦福等团队发布RBench - V基准测试，评估大模型视觉推理能力。结果显示，主流大模型如o3、Gemini2.5等准确率远低于人类，开源模型表现更差，暴露出大模型在复杂多模态推理任务中能力不足。

在百度世界大会上，李彦宏指出产业结构不均衡问题，介绍AI产业从‘正金字塔’向‘倒金字塔’转变。百度展示内化AI能力成果，如发布数字人、重构搜索、更新秒哒等，还推出昆仑芯、文心大模型5.0和全球首个可商用自我演化智能体百度伐谋。

中山大学、鹏城实验室、美团联合提出X - SAM，统一图像分割多模态大模型。它将分割范式扩展，设计通用输入输出，采用端到端架构和三阶段训练策略，在超20个数据集达最优，为图像分割研究开辟新方向。

清华与无问芯穹的RLinf团队提出「广度扩展」，发布多智能体系统WideSeek-R1。它采用「Lead-agent-Subagent」框架，经MARL端到端训练，4B模型在广度搜索任务表现比肩671B模型，且在标准QA任务也出色。

4月16日，具身智能公司它石智航宣布完成4.55亿美元Pre - A轮融资，刷新行业纪录。它以物理世界AI和通用机器人技术为核心，针对数据、模型、硬件问题给出解法，还攻克工业难题创吉尼斯纪录。

清华大学和面壁智能团队开源MiniCPM 4，有8B、0.5B两种参数规模，以22%训练开销达同级别最优。它在架构、推理、数据、训练多方面创新，性能领先，适用于综述生成、工具调用等场景。

2025年具身智能赛道迎来资本狂欢，投资事件从173起涨至447起，资金从137亿飙升至554亿。政策、产业链等因素致融资金额陡增，财务、产业、国资三股资本重塑格局，还形成估值四梯队。

优理奇机器人近日完成两轮合计3亿元融资，是半年内第五轮。其坚持“场景驱动”，产品在运动会获奖，量产交付订单超千台。构建完整技术栈，推出标准化机械臂产品，创始人看好具身智能统一发展。

图像生成领域，自回归与扩散模型技术路线之争不断。腾讯混元团队发布X-Omni模型，通过强化学习提升自回归图像生成质量，能渲染长文本图像。该模型已开源，还构建奖励系统评估生成质量。