「多模态输出」共找到 1197 篇相关文章
阿里通义的视觉RAG革命！VRAG-RL：基于强化学习的视觉感知RAG框架，性能飙升30%
阿里巴巴通义实验室推出VRAG - RL，融合视觉感知、多模态推理与强化学习，已在GitHub开源。它破解传统RAG处理视觉数据难题，通过创新机制提升性能，在多数据集表现出色，还将向更拟人化和低幻觉方向发展。
超越 GoF：现代 AI 系统实用设计模式
文章指出AI系统需要设计模式，如GoF塑造软件设计，云计算引入新模式，机器学习社区也有相关模式。文中介绍现代AI系统的5类实用设计模式，含提示和上下文、负责任的AI、用户体验、AI - Ops和优化模式等，并举例说明。
九成以上模型止步白银段位，只有3个铂金！通用AI下半场评测标准来了
OpenAI研究员姚顺雨提出AI发展步入新阶段，下半场关键在评估模型真实智能。新加坡国立大学等团队提出“通才智能”评测框架，剖析多模态大模型短板，推出五级评估体系和测试集，测试结果暴露模型弱点，引发社区积极反响。
李飞飞团队发布新一代世界模型Atlas：从零训练，一次性打通视频生成、 3D重建与机器人仿真
李飞飞创办的 World Labs 发布新一代世界模型 Atlas，称其为‘全球首个多模态世界模型’。它从零训练，能同时完成视频生成、3D 重建和时空模拟，已向少数伙伴开放测试，未来将成 Marble 底层模型。
梁文锋、马斯克同时开火！DeepSeek V4 Pro，Grok 4.6 发布
刚刚，DeepSeek悄悄上线DeepSeek V4 Pro正式版，马斯克高调推出Grok 4.6，两者性能直逼顶级闭源甚至有超越。每百万输出Token，Grok 4.6和DeepSeek价格优势明显。两者在多项评测中表现出色，且后续还有大招。
豆包输入法Mac版正式上线，所有人都该试试AI语音输入了。
豆包输入法Mac版正式上线，作者推荐大家用其语音输入与AI对话。如今语音输入法渐成熟，能提升输入速度与质量。豆包输入法免费，体验好，有流式输出、自动纠错、中英混说、轻声抗噪等功能。
DeepSeek V4没做的，MiniCPM-o 4.5给做「全」了~
上周 DeepSeek V4 发布，遗憾不是多模态。今天 MiniCPM-o 4.5 补上短板，凭 9B 参数实现端到端全双工全模态大模型，自 2026 年 2 月发布后 Hugging Face 下载量超 25 万。还推出多项成果，性能表现出色。
“养虾”热潮下，专家帮你拆解Agent如何重写软件逻辑 | 奇点智能技术大会首日精彩回顾
2026 奇点智能技术大会聚焦 AI 发展新趋势，探讨 Agent 对软件与互联网产业的重构。会上发布白皮书、评测榜单，成立开发者社区，多位专家分享见解，涉及 AI 研发、模型协同、大模型演进及科学多模态模型等内容。
五百行代码打造SOTA视觉智能体！UniPat AI最新开源
多模态大模型代码能力强，但基础视觉任务常失误。UniPat AI推出极简视觉智能体框架SWE-Vision，让模型用代码弥补视觉短板，在五个主流视觉基准测试达最优。该框架设计独特，开源代码和数据已发布。
CVPR 2026｜清华联合美团推出3DThinker，首个用3D意象思考的工作
当前多模态大模型在空间理解任务表现弱，缺乏对几何信息提取能力。清华联合美团推出3DThinker，无需3D标注和外部工具，让模型内蕴‘想象’三维场景，在多基准上提升效果，且具备一定可解释性。