「多模态指令数据合成」共找到 3383 篇相关文章
CVPR 2026 Workshop征稿｜第六届AdvML@CV：多模态大模型智能体安全
IEEE/CVF 计算机视觉与模式识别会议 CVPR 2026 6月3 - 7日在美国丹佛举办，期间6月3或4日将举办第六届对抗机器学习计算机视觉研讨会，聚焦视觉 - 语言智能体安全，现开启论文征稿并公布重要日期，给出投稿入口。
Swiggy 内部 AI 助手升级：Text-to-SQL 不够用了，Agent 开始接管数据分析
Swiggy 推出基于生成式 AI 的 Text-to-SQL 助手 Hermes V3，运行在 Slack 中。它解决了旧版本问题，通过向量提示检索等升级，将 SQL 生成准确率从 54% 提至 93%，还增加会话记忆、解释层，与现有体系深度整合。
谷歌放大招！Gemini「吞下」2.5亿地图数据，路痴AI一夜成精
谷歌推出「Grounding with Google Maps」功能，让Gemini接入Google Maps，可调用2.5亿地点信息。本次更新拓展了AI能力边界，适用于多领域，部分Gemini模型支持，还介绍了使用示例。
攻克长文档与多模态挑战，Paper2Video实现学术视频的自动化生产
新加坡国立大学 Show Lab 团队主导研究，提出 Paper2Video 基准及评价指标，还推出 PaperTalker 多智体框架实现学术视频自动化生产，实验显示其在多方面表现佳，效果接近人工水平。
HumanSense：探索多模态推理边界，打造「察言观色会共情」的全模态交互伙伴
蚂蚁集团与西安交通大学联合提出并开源 HumanSense，含评估基准与推理模型。通过细粒度评测、全模态消融等研究，提出优化策略，项目已在 GitHub 和 HuggingFace 开源，推动 AI 交互体验革新。
高盛研报：AI时代最大瓶颈不在算法和数据，而在电力和资本
高盛《Powering the AI Era》报告指出，AI是基础设施革命，其最大瓶颈是电力和资本。如一座250MW数据中心成本达120亿美元，2030年全球数据中心电力需求将激增，还介绍了应对办法及相关细节。
阿里开源Mobile-Agent-v3：多模态GUI智能体，实现跨平台自动化突破！
全新自动化时代，GUI智能体融入日常。阿里巴巴通义实验室推出GUI - Owl与Mobile - Agent - v3，实现跨平台自动化突破。文章解析其发展历程、技术创新，且项目开源，商业化潜力引关注。
阶跃星辰发布新一代基模 Step 3，原生多模态推理模型，性能达到开源 SOTA
WAIC 2025期间，阶跃星辰上线新一代基础大模型Step 3，7月31日将面向全球开源。还成立“模芯生态创新联盟”，与上海国有资本投资有限公司合作。Step 3性能达开源SOTA，推理效率高，适配多种芯片。
19.8K star！一款开源可视化工作流调度项目，轻松搞定大数据任务！
Kestra 是开源工作流编排平台，用于处理复杂任务自动化问题。它跑在 JVM 上，用 YAML 配置，支持插件扩展。适用于多种任务调度场景，有配置简单、稳定、容错等特点，安装也容易。
谷歌MCP Toolbox for Databases拆解：助你快速构建数据访问智能体的神器
企业Agent运行常需访问数据库，但会遇到工程问题。本文详解谷歌开源项目MCP Toolbox for Databases，介绍其概念、好处、使用方式，还展示安装、配置、启动过程及不同模式下使用方法，兼具安全管控与可观测性。