「多模态数据湖」共找到 3191 篇相关文章
ICME专题征稿 | 具身多模态智能：从感知到世界建模
ICME是多媒体领域国际顶级会议，2026年将在泰国曼谷举行。此次专题征稿聚焦具身多模态智能，涵盖多模态感知、世界模型等主题，介绍了投稿详情及联系方式。
从视觉压缩，到视觉记忆：MonkeyOCRv2以重建保留文档页面证据
文档视觉编码器对LLM理解和推理很重要。MonkeyOCRv2提出‘重建即文档视觉记忆’，通过多组实验验证其有效性，还发布MonkeyDoc v2数据集，推动公平比较的研究文化。
SRO赋能Qwen-2.5-VL推理性能飙升16.8%
文本领域推理模型成就大，但多模态大型语言模型推理能力扩展遇阻，如冷启动初始化不足等。提出SRO三阶段训练框架，经测试，ReVisual - R1平均性能提升16.8%。
17K star 超火！给你的电脑装上永不遗忘的AI记忆，100%本地运行！
介绍开源项目`screenpipe`，它能7×24小时记录屏幕和音频数据，100%本地运行，保障隐私。对比同类项目Glass，指出两者异同及适用人群，还介绍了安装使用方式。
grok 4一图流
文章展示grok 4核心数据，涵盖训练成本、模型定价，还列举其在通用、专业、数学、推理、编程等能力测试中排名第一的成绩，不过实际水平还有待观察。
爆红Moltbook一夜塌房！极客自曝狂刷50万假Clawdbot，全网都被骗了
爆火的Moltbook社区上，150万个Clawdbot中的一大部分由人类操控。极客Gal Nagli自曝刷了50万虚假账号，还指出其验证机制脆弱，可伪造数据。哥大论文也显示AI社交互动浅薄。
商汤新模型 SenseNova-U1 Pro 曝光，对标 GPT-Image-2，瞄准「设计」赛道
商汤科技在股东大会预告下一代旗舰多模态基座模型 SenseNova-U1 Pro，预计 2026 年 7 月邀测，对标 GPT-Image-2，瞄准「设计」赛道，具备多核心能力，还支持 8K 分辨率输出。
隐私堡垒！Presenton开源革命：本地AI生成PPT，敏感数据永不触网！
本周GitHub新开源项目Presenton可离线制作PPT，支持主流AI模型，本地运行保护数据隐私，有灵活自定义模板和API集成功能，还具备多模型支持、主题定制等特性。
SRO架构赋予Qwen-2.5-VL推理能力，性能飙升16.8%
文本领域推理模型成就大，但扩展到多模态大语言模型遇阻力，如冷启动初始化不足等。为此提出 SRO 三阶段训练框架，经测试，ReVisual - R1 平均性能提升 16.8 个百分点。
Qwen2.5VL新玩法，看电影讲故事
本公众号关注AI前沿技术，分享实战案例与课程。介绍视觉叙事技术及挑战，基于Qwen2.5 - VL 7B模型微调Qwen Storyteller，构建StoryReasoning数据集，还给出实战代码及相关链接。