「视听场景理解」共找到 2615 篇相关文章
2.4万亿参数原生全模态，文心5.0一手实测来了
文心5.0正式发布，主打原生全模态，支持全模态输入和输出。官方测试显示其多维度表现突出，在LMArena文本排行榜并列全球第二。实测其理解精细、能捕捉细节，技术上采用自回归统一结构和超大规模混合专家架构。
清华等发布UltraRAG 2.0，仅用50行代码解锁RAG高性能开发
大语言模型存在“知识截止”问题，RAG技术应运而生，成为大模型落地主流方案。但随着需求提升，其工程实现变复杂。清华等推出UltraRAG 2.0，仅50行代码实现同等功能，降低开发门槛，性能提升，还能落地多种场景。
基于 Gemini 模型做 SEO Agent 简单实战
作者参加 Google I/O 大会后，受 James 用 AI 做 SEO 启发，尝试基于 Google 的 Gemini 2.5 Pro 模型制作 SEO 智能体。介绍数据获取方法，构建 3 个 Agent 进行分析、提建议和输出报告，Gemini 负责理解决策，适合出海企业。
AI应用如何落地政企？首先不要卷通用大模型
ISC.AI 2025大会显示智能体技术加速渗透产业。360政企AI业务与智能体深度绑定，其落地有三重逻辑：不追通用大模型，聚焦小场景；用“乐高式”工厂赋能；安全与AI深度融合是必选项。
阶跃新模型快到“没推理”！印奇上任，果然气势一新
印奇上任后，阶跃星辰发布新一代开源Agent基座模型Step 3.5 Flash，总参数196B，支持256K上下文窗口。它推理快，适配多家芯片厂商，在多场景表现出色，还具备端云协同能力，架构也有多项优化。
AI产品能不能火，全看创始人会不会当“网红”？这届AI大佬不拼代码了，个个都是隐藏的社交媒体达人
今年，AI创业者热衷在小红书冷启动产品，创始人分享创业思考，团队招募伙伴，投资人找项目。AI产品成功离不开社交传播，如Lovable、Base44等。但传播不能牺牲产品质量和技术壁垒，创业公司应抓住时间差深耕场景。
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。
Gödel Rescheduler：适用于云原生系统的全局最优重调度框架
本文介绍字节跳动研发的Gödel Rescheduler重调度框架，它能解决传统调度资源分配和任务摆放问题。阐述传统重调度弊端，介绍新方案组件，列举应用场景及成果，还提及未来规划，目前已开源。
GPT-5.6 Sol暴涨3倍，OpenAI最强视觉AI登顶！
第三方评测机构Roboflow测试显示，GPT-5.6 Sol在目标检测、计数等视觉任务上表现出色，尤其在文档版面识别和密集场景处理上进步明显，但认字能力有退步，且大尺寸图片检测框易飘移。
不再止步于自然语言！PhiZero让世界模型学会「物理语言」
PhiZero由中科院自动化所团队研发，探索让AI读懂真实世界运动、交互与变化的“物理语言”。它构建Reason - then - Render框架，经大量数据训练，在多基准测试中表现领先，为AI理解物理世界开辟新通道。