「多模态视觉作品」共找到 1464 篇相关文章
一键实现PPT演讲自由！「解说音频+视频」同步生成，效果逼近真人
澳大利亚与英国研究人员提出文档到演示视频生成任务，推出PresentAgent系统。它能将长文档转为带语音和同步幻灯片的视频，流程可控且适应多领域。实验显示其生成视频接近人类表现，还设计了双路径评估策略。
谷歌T5Gemma重燃架构之战！「套壳」反杀Gemma本尊，9B推理快得离谱
2023年以来大模型战场由decoder - only架构主导，Google双线出击。T5Gemma重燃encoder - decoder架构战火，性能提升显著；MedGemma坚守decoder - only路线，强攻医疗多模态，击穿闭源壁垒，打响开源反击战。
奶牛版 Oura 估值 10 亿美金，AI+PDF 让它拿了 1700 万美金融资
市场上多数AI PDF产品是ChatPDF模式，用于C端。企业关键非结构化数据多在PDF等传统载体中，难以获取。硅谷工程师做的Extend AI产品，获1700万美金融资，解决传统文档处理难题，打造平台。
谷歌发布本地具身智能模型！全程无联网执行精细操作，从人形机器人到工业机器人全覆盖
Google DeepMind团队发布可本地运行的视觉 - 语言 - 动作模型Gemini Robotics On - Device，它能离线运行，操作能力强，可在多种机器人本体部署，解决网络问题，性能、适应能力出色，还开放了SDK。
AI Agent已过时？OpenAI亮出王牌Deep Research！
浙江大学一篇综述论文《A Comprehensive Survey of Deep Research》系统性梳理了Deep Research赛道。它是一类AI系统，其背后的Agent范式可迁移到各场景，文章介绍了其技术、架构、应用及面临的挑战与未来方向。
开源RAG又添新军！港大开源多模态RAG神器，多文档格式统一解析、知识图谱索引与混合检索！
在AI信息检索领域，传统RAG系统难处理复杂文档。港大数据智能实验室开源RAG - Anything，可提供端到端解决方案，能多格式解析、构建知识图谱和混合检索，优势显著。
开启端侧长文本时代！面壁全新架构，让小钢炮最快提升220倍
2025智源大会上，面壁智能发布MiniCPM 4.0模型，实现行业首个系统级上下文稀疏语言模型创新。它在端侧推理任务上表现出色，降低缓存需求，提高运行效能，还进行多维度架构创新，是AI领域探索高效率语言模型的里程碑。
世界模型再迎新突破，兔展智能UniWorld-View登顶WorldScore榜单
近年来，世界模型成视觉 AI 重要研究方向。兔展智能联合研发的 UniWorld - View 登顶 WorldScore 榜单，完成昇腾算力适配与开源。它聚焦让 AI 理解未拍摄世界，解决了诸多技术难题。
用3万小时触觉数据补齐具身智能「手感」，新智具身联合复旦大学统一触觉「方言」
新智具身联合复旦大学发布三份技术报告，将触觉跃升为具身智能核心基建。构建3万小时交互语料库统一触觉“方言”；提出新方案让机器人提前预判触觉；在世界模型中重构“触觉想象”，推动具身智能“视触融合”。
Fable 5被网友薅出省钱神招！最高减70%！
网友发现把Fable 5上下文转成图片，让模型通过OCR读取，token输入成本最多省70%。方法pxpipe在GitHub获3000+STAR，本质是本地代理，还引出谷歌老论文及DeepSeek - OCR相关技术。