「多模态思维链」共找到 1405 篇相关文章
打破长视频理解瓶颈：HoPE混合位置编码提升VLM长度泛化能力
如今视觉语言模型在长上下文任务表现不佳，CMU和小红书团队深入研究，首次提出多模态RoPE扩展策略理论评估框架，指出现有泛化能力不足原因，提出HoPE大幅提升VLM长度泛化能力。
泪目！靠AI让爷爷「复活」，他拿下红杉1600万刀？要让所有地球人数字永生
国外14人团队Delphi获红杉领投1600万美元A轮融资。其产品源于创始人想复活中风祖父，现成长为“数字思维图书馆”。2023年12月测试版上线，有人靠它年入百万，未来想服务大众。
抢先OpenAI？AIUI全新升级燃爆22亿终端，国内大厂定义智能交互
科大讯飞围绕智能交互场景，对AIUI、机器人超脑等4大平台全面升级。其AIUI以大模型为引擎，有儿童专属交互方案，还推出智能眼镜“三麦阵列”等，各平台在多领域应用成果显著。
GPT-4o连验证码都解不了？？SOTA模型成功率仅40%
MetaAgentX团队推出Open CaptchaWorld平台，用于测试Agent解验证码能力。实测SOTA多模态模型成功率低，如GPT - 4o也被难住。该平台特点多样，揭示了当前Agent短板及模型设计新方向。
中国团队让AI拥有「视觉想象力」，像人类一样脑补画面来思考
上海交通大学等团队提出 Thinking with Generated Images，让大模型像人类一样用「脑内图像」推理。该研究区分三种视觉思维模式，提出核心技术框架，解决视觉推理局限，实验效果好，未来有望在多领域突破。
模型越聪明越“不听话”？MathIF基准揭示AI服从性漏洞
上海人工智能实验室与香港中文大学研究团队发布论文，用MathIF基准揭示大模型“聪明”和“听话”有矛盾，越擅长推理越易忽略指令，还分析了原因并给出让模型更“听话”的方法。
对话阶跃星辰段楠：“我们可能正触及 Diffusion 能力上限”
阶跃星辰段楠指出当前视频生成技术或触天花板，真正有深度理解能力的模型尚待突破。他预测未来1 - 2年视觉领域基础模型有望出现，还分享视频生成及多模态AI未来核心洞察。
文生图进入R1时代：港中文MMLab发布T2I-R1，让AI绘画“先推理再下笔”
港中文MMLab团队发布首个基于强化学习的推理增强文生图模型T2I - R1。它提出双层级CoT推理框架和BiCoT - GRPO强化学习方法，解决生成评估难题，为多模态生成提供新范式。
2026 GOAI 世界人工智能开源大赛「AI for Research 前沿探索」赛道报名中
2026年7月21日，GOAI世界人工智能开源大赛‘前沿探索（AI for Research）’赛道在杭州启动。该赛道聚焦AI与科研交叉，设算法和开放探索两类赛题，不限学科，重问题定义，认可‘无发现’价值，强调证据链。
DevOps之父：发几个Claude Code账号就叫AI转型？Agent用不好是公司的锅
DevOps 之父 Patrick Debois 认为，企业 AI 转型不能仅停留在给开发者买工具，Agent 效果不佳，问题或在公司。开发者要转变思维，改进产出代码的系统，组织要围绕 Agent 重构协作方式。