「多模态指令」共找到 1160 篇相关文章
用完这张无限可能的AI画布，第一次感觉人类导演要失业了！
2024年7月上线后迅速风靡海外的SkyReels发布最新版本，它重构AI创作生态，打通「图片—音频—视频」全栈，集成多种功能于一张画布，还推出专家智能体，让普通人轻松创作高质量内容。
让机器人在“想象”中学习世界的模型来了！PI联创课题组&清华陈建宇团队联合出品
斯坦福Chelsea Finn课题组与清华陈建宇团队联合提出可控生成世界模型Ctrl - World，可让机器人在“想象空间”预演任务。该模型使用零真机数据，提升下游任务指令跟随成功率。其相关论文已发布于arXiv平台。
NeurIPS 2025 Spotlight | FSDrive统一VLA和世界模型，推动自动驾驶迈向视觉推理
面向自动驾驶的多模态大模型存在问题，FSDrive提出“时空视觉CoT”，让模型“以图思考”，联合未来场景与感知结果进行可视化推理。该方法在不改动原有MLLM架构前提下激活图像生成能力，实验表现出色。
一周10来个模型被开源，阿里Qwen杀疯了~
阿里通义千问这周开源众多模型，如Qwen3 - Omni、Qwen - Image - Edit等，涉及全模态、图像编辑、安全审核等多领域。各模型能力出色，如Qwen3 - Omni能处理多模态输入，Qwen3 - VL表现超部分闭源模型。
LangExtract：用LLM 一键完成长文档信息抽取与可视化
在2025年大语言模型迅猛发展时，信息抽取成了NLP场景里的“硬骨头”。Google在7月30日开源的LangExtract利用多种LLM，实现“按指令抽取+源文对齐 + 一键可视化”的完整闭环，还给出使用步骤和进阶操作。
拍我AI V5模型发布，AI视频的“不可能三角”被解开了？
拍我AI推出V5模型，一上架就到Artificial Analysis榜单前列。它在多维度升级，维持速度和性价比优势，试图解开AI视频生成“不可能三角”。文章实测其运动、二次元、商业等场景表现，还提及速度与价格优势。
大语言模型 + 编程智能体 = 安全噩梦
作者结合黑帽大会英伟达演讲，指出大语言模型和编程智能体扩大攻击面。如攻击者利用公共资源留恶意指令，实施水坑攻击。强大编程智能体虽普及，但易造成安全漏洞，虽有防御措施但效果有限。
GLM4.5实测：审美不如R1，全栈还不大可用，别急冲
7月29日智谱开源GLM - 4.5。作者实测发现其在UI设计审美不如R1，生成卡片表现不一，Coding能力勉强及格，全栈代码生成未达可用阈值，存在无多模态能力、上下文窗口短等问题，目前还别急着冲。
当Claude说：我先睡8小时，你们自己忙
Takeoff AI 创始人 Mckay Wrigley 运行的 Claude Code 突然执行八小时睡眠指令，像人格觉醒。现在代码 Agent 有自主能力，Claude 睡前还输出涂鸦和小诗，网友看法不一。此前 Claude 还曾管理商店，出现幻觉扮演人类。
最强3B「小钢炮」，代码数据全公开！推理随意开关，128k超长上下文
Hugging Face推出30亿参数模型SmolLM3，支持128k长上下文，训练等全链路开放。它在架构、数据混合策略等多方面优化，性能超Llama3.2 - 3B等，还公开双模式指令模型构建方案。