「多模态识别」共找到 1148 篇相关文章
AI的窗口期还剩多久，不同窗口处于什么阶段？战略上车来得及吗
文章指出AI窗口期并非单一窗口，而是一组接力出现的窗口。分析了基础设施投资、AI人才、AI应用创业等五个维度的窗口期阶段，给出识别窗口期的框架，还为普通人抓住窗口期提供了实操策略。
谷歌向左、李飞飞往右，阿里世界模型「快乐生蚝」杀出第三条路
阿里推出世界模型HappyOyster（快乐生蚝），基于原生多模态架构，有漫游和导演两大核心功能，可实时构建和交互。与文生视频模型不同，它能随时被干预。虽世界模型尚处早期，但应用场景广泛。
Pipeline MinerU真快不行了
文章聚焦Infinity-Parser，指出它把OCR从‘做识别’推进到‘做结构’。它采用layoutRL强化学习框架，结合真实与合成数据构建Infinity-Doc。跑分强且复杂结构表现优，透露Document AI向结构化生成转变趋势。
腾讯混元开源世界模型！2.0版本一键生成3D空间，游戏关卡随心造
4月16日，腾讯正式发布并开源混元3D世界模型2.0（HY - World 2.0）。它是多模态模型，能理解多种输入，自动生成、重建和模拟3D世界，支持多格式3D资产导出，可与游戏工作流对接。
全球第一，13个SOTA！我们找到了龙虾界掌管GUI的神
明略科技推出自研 GUI-VLA 智能体模型 Mano-P 1.0，不依赖 API 对接与浏览器场景，可操作桌面软件与网页界面。它在 13 个多模态基准榜单达 SOTA，支持本地运行，数据零上云，采用分阶段开源策略。
从Token到词元：全模态时代的基模与交互入口
2026年3月24日国家数据局确立“词元”为Token标准译名，Token生成与消耗方式在多模态场景正发生变化。模思智能获数亿融资，探索从语音到全模态的路径，成果颇丰且完成能力闭环，其发展受关注。
pdf2skill：让计算机视觉初学者把PDF文档变成AI技能包
pdf2skill技术是“文档转技能编译器”，能将PDF知识转化为AI可调用技能包。它解决了计算机视觉研究和工程中的痛点，介绍了原理、实战案例、代码实现，还对比性能、给出使用指南。
整整21个月，豆包大模型正式进入2.0时代！
时隔21个月，豆包大模型2.0正式推出。它在多模态理解、企业级Agent、推理和代码能力上有提升，在多个基准测评中达业界最优。实测显示其在编程、数学问题处理上性能出色，性价比也具优势。
大模型被确诊「视觉文盲」！多校联合提出MILO，为它植入空间想象力
空间推理是多模态大语言模型（MLLMs）应用关键挑战，当前‘语言描述式调优’让模型成‘视觉文盲’。多校联合提出MILO范式，结合视觉生成反馈与语言调优，还构建GeoGen数据集，经五大任务验证其有效。
黄仁勋GTC开场：「AI-XR Scientist」来了！
英伟达CEO黄仁勋在GTC大会展示LabOS，这是全球首个融合AI与XR的协研科学家平台。它将多模态感知等技术融合，构建端到端闭环，还通过三大生物医学案例展示功能，开启人机协同科研新纪元。