「多模态程序合成」共找到 1314 篇相关文章
参数砍到 1B，这个小钢炮拿下多模态第一
面壁智能发布并开源参数量仅 1.3B 的 MiniCPM-V 4.6，虽小但多模态综合能力在 1B 级别中夺冠。它推理快，效率高，靠两大架构创新实现，还为开发者提供完整工具链。
普通程序员怎样转到AI方向拿到更好的offer
在AI研究员拿天价offer的当下，探讨普通程序员转AI方向拿更好offer的方法，还介绍了AI生态的五个层次，包括各层岗位、年薪及容量。
Claude for Chrome来了！可作为浏览器扩展程序直接使用
Anthropic发布浏览器agent Claude for Chrome，可作Chrome扩展程序使用，能设日历、回邮件等。目前仅向1000名Max套餐用户开放，因使用浏览器的AI有安全挑战。AI浏览器成巨头争夺战场。
2050年，衰老将被攻克？合成生物学教父揭秘长寿未来！
现代合成生物学教父George Church在采访中分享对生物技术的看法，认为基因测序等技术让大突破不远。预计2050年解决老龄化问题，体细胞疗法或让人‘返老还童’，还谈及复活物种、‘镜像生命’等，强调遗传咨询价值。
理解与生成统一多模态模型：现状与未来 | 直播预约
从GPT - 4o到Gemini，AI实现跨模态联合理解与生成，核心是统一多模态基础模型。但开源社区构建强大统一模型面临挑战。南大等团队梳理超750篇论文分析技术路线，将有直播探讨现状与未来。
图像、视频一模搞定！字节全能原生多模态本地可部署
字节开源原生多模态模型Lance，仅3B激活参数，40G显存就能跑，已登顶huggingface趋势榜。它能进行图像与视频的理解、生成、编辑等操作，在多个基准测试中表现优异，多项性能居首。
高阶程序，让AI从技术可行到商业可信的最后一公里
文章指出进入AI下半场，可靠性成关键。当前多种探索路径有局限，企业常用RAG、智能体框架等方案也各有问题。而高阶程序（HOP）是神经 - 符号思想的工程实践，能为AI构建可靠控制系统，已在金融等行业展现价值。
复旦等推出「第一人称视听基准」，补齐多模态模型「听觉拼图」
多模态大模型在真实世界会“失聪”，现有第一人称视频问答/理解基准长期偏“视觉中心”。复旦等团队推出首个系统评测第一人称声音理解能力的基准EgoSound，能让模型听懂世界，评测显示当前模型与人类差距大。
多模态大模型持续学习系列研究，综述+Benchmark+方法+Codebase一网打尽！
近年来，生成式AI和多模态大模型进展显著，但在动态环境下实现持续学习是挑战。中科院自动化所联合香港院AI中心系统性研究，提出综述、方法、Benchmark和Codebase，为相关人员提供全面支持。
视觉Token注入CLIP语义，走向多模态理解与生成新范式
腾讯ARC Lab等机构提出全新视觉分词器TokLIP，将低级视觉Token与高级CLIP语义结合，支持端到端自回归训练，可接入LLM框架，降低计算与数据门槛，在多模态任务中表现优异，代码已开源。