「多模态数字人」共找到 2202 篇相关文章
AI们数不清六根手指，这事没那么简单。
作者测试发现Grok4、OpenAI o3等多模态模型都将六指图数成五指，仅Claude 4偶尔答对。研究揭示大模型看图片用记忆而非视觉，易受刻板印象影响，在工业等场景或引发严重后果。
追忆左耳朵耗子
本文追忆技术人左耳朵耗子，讲述其创业故事，包括创业契机、方向选择等，还分享技术见解，如选技术语言、积累技术等，探讨成长问题，如996、大小公司权衡等，最后推荐书籍并谈对年龄危机看法。
3大AI服务接连故障：换模型为什么未必能救你？
昨晚，ChatGPT、Claude、Grok 三大 AI 服务接连故障，公开信息未明确共同根因。文章指出，很多人把换模型当容灾，却未检查备用方案独立性。还介绍故障时间线、可能原因及应对措施，强调可靠性重要性。
亲手造出砸自己饭碗的怪兽！Anthropic联创：我们手下的顶级研究员正陷入失业恐慌
Anthropic联合创始人Jack Clark称，公司顶级研究员虽年薪百万，却因加速制造砸自己饭碗的“怪兽”而焦虑。大模型或使社会财富飙升但大量人失业，预计2028年底人类将从AI迭代链条“下岗”。
手机版openclawd来了，无需Root，让 AI 像人类一样使用你的手机
Andclaw是个人开发者开源的Android自动化工具，核心理念是让AI像人类一样使用手机。它无需Root、电脑，通过无障碍服务读取屏幕内容，让AI分析操作。具备无需Root、独立运行等功能，还支持多模态输入。
8B硬刚72B！MiniCPM-V 4.5技术报告正式出炉
行业首个具备“高刷”视频理解能力的多模态模型MiniCPM-V 4.5技术报告发布，提出三项关键技术，使模型在多任务达同级SOTA，8B参数规模超72B模型，推理快，开源后获社区好评。
突破高分辨率图像推理瓶颈，复旦联合南洋理工提出基于视觉Grounding的多轮强化学习框架MGPO
先进多模态大模型处理高分辨率图像有瓶颈，复旦和南洋理工研究者提出基于视觉Grounding的多轮强化学习方法MGPO，能让模型精准推理，还可使模型从答案反馈中涌现视觉定位能力，避免依赖昂贵标注。
FairyGen：AI 把孩子的画“动”起来，个性化教育和动画创作
FairyGen 能将孩子画作变成卡通短片，通过多模态大语言模型构思分镜脚本，采用分层建模处理前景人物动作与背景动态。其生成流程分四阶段，但也存在前景角色重建不准、背景生成不稳定等问题。
OpenAI未公开的o3「用图思考」技术，被小红书、西安交大尝试实现了
OpenAI推出的o3推理模型打破传统文字思维链边界，实现图像融入推理过程。小红书与西安交大联合构建多模态深度思考模型DeepEyes，尝试实现类似能力，还开源技术细节，在多任务中表现出色。
让大模型“边看边改”，视觉分割准确率直接上涨9% | ICML 2026
复旦、创智联合推出RSAgent，让多模态大模型通过多轮工具调用生成准确掩码，解决视觉分割难题。该工作入选ICML 2026，实验显示其在多个测试集上表现领先，还展示了从‘看图问答’到‘视觉行动’的路径。