「多模态交互」共找到 1458 篇相关文章
登顶多模态推理榜MMMU！UCSD新方法超越GPT-5、Gemini
加州大学圣地亚哥分校团队开发的DreamPRM-1.5在MMMU测评榜夺冠，超越GPT-5、Gemini 2.5 Pro Deep-Think。它细化加权粒度到样本，有Instance Table和Instance Net架构，采用双层优化与生成式奖励模型。
首个开源多模态Deep Research智能体，超越多个闭源方案
首个开源多模态Deep Research Agent登场，整合多种工具并优化决策。其WebWatcher技术方案覆盖全链路，实验中在四大核心领域领先主流模型，展现复杂推理和信息检索实力。
大型语言模型稳定强化学习的新路径：几何平均策略优化GMPO
本文介绍了大型语言模型稳定强化学习新路径——几何平均策略优化GMPO。它是GRPO稳定化版本，通过优化几何平均替代算术平均，解决GRPO训练不稳定问题，在多任务实验中显著优于GRPO。
谷歌实验室推出了 Opal，一个用于创建 AI 迷你应用程序的可视化平台
谷歌实验室推出实验性无代码工具 Opal，可让用户通过自然语言和可视化编辑器创建 AI 小应用。它支持两种交互模式，开发完成后能分享链接。开发者关注其与微软产品竞争前景。
亿万打工人在用的WPS，未来可能要重塑你的工作流
WAIC上，金山办公发布WPS AI 3.0及原生Office办公智能体WPS灵犀。WPS知识库解决文档管理难题，WPS灵犀功能全面，能深入办公场景，还推动AI办公向Agentic Software演进。
斑马智行，开启汽车主动智能时代｜甲子光年
2025年WAIC上，斑马智行联合通义及高通，首发行业首个基于高通8397平台的端侧多模态大模型解决方案。该方案让智能座舱从“被动响应”到“主动感知”，还打通产业链，实现多方面适配。
马斯克AI女友直播「一秒变身」，Karpathy看完立刻投钱
世界首个支持直播推流的「实时」扩散AI视频模型MirageLSD诞生，大神Karpathy亲自站台。它能理解真实视频后同步生成AI视频，实现零延迟、无限时长、每秒24帧不卡顿，给视频娱乐和直播互动带来丰富想象。
开源端到端语音大模型：直接从原始音频输入，生成语音输出
目前大模型大多只能输出文本，人机音频交互不顺畅。Step - Audio团队开源端到端语音大模型Step - Audio - AQAA，能直接听懂音频问题并合成语音回答，介绍了其架构和各核心模块。
谷歌让机器人「长脑子」了！首发离线具身VLA模型，断网精准操控
谷歌首发具身智离线模型Gemini Robotics On-Device，实现VLA多模态大模型在具身机器人本地离线运行，无网络也能稳定运行。谷歌还开源了SDK，具身智能迈向实用化新阶段。
首个全面梳理语音大模型发展脉络的权威综述，入选ACL 2025主会
香港中文大学团队语音语言模型综述论文《Recent Advances in Speech Language Models: A Survey》被 ACL 2025 主会议接收，这是该领域首个全面系统综述，指明语音 AI 未来方向，还剖析技术架构、训练策略等。