「多模态技术」共找到 3529 篇相关文章
视远·正心明智——机器之心2025年度AI榜单正式启动
2025年人工智能浪潮奔涌，大模型快速迭代，催生新应用形态，中国AI发展精彩。机器之心精心策划2025年度榜单，涵盖最强技术实力企业等多个类别，有意企业可扫码申报。
Google推出 AI 科学家：自动编写专家级代码，40个新方法碾压人类 SOTA
Google新发布的AI系统能编写科学软件、发明新方法，结合大语言模型与树搜索技术。在生物信息学、流行病学等多领域超人类最优水平，引发网友对科研影响的讨论。
InfiniteTalk：音频驱动的从口型到全身动作同步方法
近年来视频AIGC推动音频驱动人体动画变革，但传统视频配音局限口部。中国科学院大学提出稀疏帧视频配音范式，推出InfiniteTalk生成器，结合多种技术实现全身动作与音频同步，实验表现突出。
SGLang 2025-8月性能优化技巧记录
本笔记记录2025年8月SGLang框架性能优化实践，涉及GPT - OSS、DeepSeek - V3等模型，采用allreduce_add_rmsnorm、量化、通信、内核融合等优化技术，在性能提升、减少延迟等方面效果显著。
「只参与，不参赛」奖牌数却仅次于宇树，这个幕后玩家如何做到的？
2025年世界人形机器人运动会，宇树科技获奖最多，没参赛的加速进化T1获奖牌数排第三。这家新公司选不同发展路径，重产品与生态，技术应用于多场景，有望成行业‘苹果’。
AI 当导演编剧和剪辑？FilMaster打开自动化电影创作新纪元
当前多数AI电影生成系统难达‘专业级’，香港大学推出FilMaster系统。它融合摄影语言与后期制作流程，分两阶段创作电影，能生成高质量作品，但高级后期制作技术未纳入。
上海AI实验室发布 Intern Lumina U2：全离散扩散建模，让模型既能“看懂”也能“生成”
上海人工智能实验室发布新一代多模态统一模型 Intern Lumina U2，基于全离散扩散建模路线，支持多任务，适配两大硬件生态，在昇腾千卡级集群训练效率提升 1.85 倍，性能优异且将开放资源。
DeepSeek视觉原语论文：当所有人在堆图像分辨率时，它在堆「指代精度」！
4月30日DeepSeek发布多模态论文，核心是“视觉原语”，让模型边推理边输出坐标。它是七大coding agent玩家中最后接入视觉的，但补课方式反共识，不堆分辨率堆指代精度，效率高，拓扑推理成绩领先。
1个Token测出模型降级调包！成本砍到千分之一，API供应商的小伎俩全曝光了
法国研究人员开发新检测技术，能识别云端模型隐秘变动。对数概率追踪用于灰盒环境，成本仅传统千分之一；黑盒边界输入追踪用于黑盒环境，成本为先进方案1/30。这些工具让API供应商“调包”行为现形。
苹果重磅官宣谷歌Gemini 将支持 Siri，OpenAI 被边缘化？马斯克比奥特曼还急：这不合理！
苹果和谷歌官宣多年期合作，下一代 Apple Foundation Models 将基于谷歌 Gemini 模型及其云技术构建，为 Siri 等提供支持。此合作引发行业讨论，马斯克质疑其权力集中，也改变 OpenAI 在苹果生态的角色。