搜索：多模态程序合成

「多模态程序合成」共找到 1315 篇相关文章

突破视频时长限制！Manus上架视频生成功能，网友：比Sora更好

Manus上架视频生成功能，可通过连续拼接突破时长限制。它按“拍电影”方式，根据提示词生成片段再合成故事。网友评价是新创作方式，但效果有提升空间，部分人认为比Sora好。

腾讯ARC Lab和香港城市大学推出Video - Holmes，这是视频推理界的‘福尔摩斯测试’，能展现多模态大模型复杂视频推理能力的边界，规避现有Benchmark痛点，测试中所有大模型全部不及格，代码已开源。

8月，阿里「千问办公」开启公测，它整合三款产品，还接入最新旗舰Qwen3.8 - Max。该产品交付成果可用，可一站生成多模态内容和Office产物，与钉钉打通且有组织级Skill，优势明显。

信息碎片化时代，last30days开源AI工具聚合各平台“人群智慧”，按真实人群参与度打分合成摘要。它能搜索多平台，v3版有智能搜索等新功能，输出HTML摘要，优点多且易上手。

影石研究院发布单目新视角合成模型UniSHARP，可通过单次推理秒级获场景高斯点云，支持混合相机训练与免标定推理，适配所有相机。团队还构建数据集、设benchmark，代码等均已开源。

北大团队提出面向3D空间推理的新框架APEIRIA，将神经符号程序推理模式蒸馏进3D MLLM。采用三阶段课程学习，在多基准测试表现强劲，保留模块化优势，为具身智能系统提供启发。

谷歌DeepMind推出多模态TIPSv2，解决图像块与文本嵌入对齐难题。它有三大核心技术创新，在9项任务和20个数据集表现出色，特征图优势显著，且配套生态完善，为AGI预训练指明方向。

近年来，基于多模态大语言模型的GUI智能体在自动化操作上虽有进展，但任务步数超10 - 15步时成功率断崖下跌。研究人员提出LongHorizonUI框架，构建LongGUIBench评测基准，推动GUI自动化在复杂场景落地。

现有LLM自动化CUDA方法难处理端到端GPU程序，StitchCUDA提出多智能体框架+基于Rubric Reward的Agentic RL方案，分解任务、优化训练，在实验中成功率和加速比远超其他方法，解决Reward Hacking问题。

伴随多模态大模型发展，GUI Agent成人机交互新范式，但构建高可用、跨平台的GUI Agent面临诸多挑战。阿里通义实验室开源Mobile - Agent - v3.5框架及GUI - Owl - 1.5模型家族，解决了相关技术壁垒。