「多模态处理」共找到 1792 篇相关文章
18K+标星！视觉AI驱动的浏览器自动化，告别XPath，无惧网页改版！
网页自动化常遇页面更新脚本报废等难题，而开源工具Skyvern不走传统XPath/DOM路子，用视觉+大语言模型理解网页，能自适应改版，功能丰富，安装运行简单。
开源即爆火！英伟达重磅推出OmniVinci全模态大模型
英伟达在华盛顿GTC大会开源OmniVinci全模态大语言模型，实现视觉、音频、语言统一理解。它性能超竞品，架构有创新，数据引擎庞大。实验有重要洞察，在多场景表现佳，代表全新AI范式。
马斯克「世界模拟器」首曝，1天蒸馏人类500年驾驶经验！擎天柱同脑进化
特斯拉官宣「世界模拟器」，可模拟、合成自动驾驶的「孪生世界」，生成不同视角和长尾场景。它基于端到端神经网络，有学习人类价值观等优势。还能用海量数据解决难题，输出可解释中间结果，为自动驾驶和擎天柱训练服务。
让模型“看视频写网页”，GPT-5仅得36.35分！上海AI Lab联合发布首个video2code基准
上海人工智能实验室等机构提出IWR - Bench评测基准，从“image - to - code”迈向“video - to - code”，对28个主流模型测试，最佳模型GPT - 5仅36.35分，指出当前模型短板，为研究指明方向。
别让Nano Banana骗了！混合方案让头像生成成功率从0到100%
作者用Nano banana更新头像时发现其生成中文能力差，提出将AI画图与HTML编程结合的方案。HTML搞定确定性、成本低部分，AI画图负责复杂、创意性高部分，还给出使用方法及多种头像加字设计方案。
从私域知识到智能 Agent：构建智能运维知识库
抖音算法工程师王宁在 QCon 大会分享，介绍将私域知识与 LLM 融合构建运维系统的方法，详解 SOPAgent 架构解决传统 AIOps 难题，还提及多模态数据处理、知识管理体系等亮点。
ICCV 2025 | RobustSplat: 解耦致密化与动态的抗瞬态3DGS三维重建
3DGS技术成研究热点，但现有方法在含动态物体场景建模精度不足。中山大学等研究者提出RobustSplat，有延迟高斯生长和尺度级联掩码引导两大核心设计，实验显示其在多指标上领先基线方法。
编码器-解码器架构的复兴？谷歌一口气发布32个T5Gemma模型
谷歌在xAI吸引眼球时更新Gemma系列模型，发布多模态模型MedGemma，还一口气推出32个T5Gemma模型。该模型基于适应技术，性能表现佳，引发编码器 - 解码器架构复兴讨论。
文心大模型 4.5 系列正式开源，涵盖 10 余款模型
6月30日，百度正式开源文心大模型4.5系列，含10款模型，实现预训练权重和推理代码全开源。可在飞桨星河社区等平台下载，百度实现框架与模型“双层开源”，技术创新多，性能表现优。
一篇95页最新80种Deep Research系统全面综述
浙大研究深度研究系统领域，分析自2023年以来80多个相关实现，提出4维度分层分类法，全面分析4种实现架构，还阐述各维度演变进步。