「多模态理解」共找到 1547 篇相关文章
2026 将近，世界模型到底更「世界」了吗？
近期 Runway 发布相关产品，让「世界模型」讨论再聚焦。其定义从强化学习语境延伸，业内理解不断变化，概念边界变模糊。如今被推到和 LLM 同级，出现概念同名但内核分裂现象。
谷歌Gemini闹乌龙：我家狗子，竟被AI开除了「狗籍」！
2025年10月谷歌让Gemini for Home接管智能家居生态。它能识别人脸、快递等，还会生成家庭日报。不过，它也闹了把狗认成猫的乌龙。谷歌正改进识别准确度，这也是智能家居竞争中的小插曲。
美团开源全模态，比肩顶级闭源模型，开源新SOTA
美团LongCat团队发布5600亿参数开源全模态模型LongCat - Flash - Omni，它有端到端全模态架构，能实现毫秒级实时音频 - 视觉交互。该模型训练采用渐进式策略，工程上有高效技术支撑，在多基准测试表现出色。
AEPO：智能体熵平衡策略优化，让探索更稳，推理更深！
中国人民大学与快手团队联合提出 AEPO 算法，解决熵驱动式智能体强化学习训练不稳等问题。它设计两项核心机制，在 14 个基准上优于主流算法，在 X 等平台获高关注。
超越谷歌Banana，字节联合香港中文大学等高校开源最强图像编辑生成系统DreamOmni2
香港多高校与字节跳动联合研发的DreamOmni2系统，实现图像编辑与生成领域SOTA。它用三步造出高质量数据，提出索引编码等方案，联合训练模型，实际效果超越部分商业模型，为AI创作带来新可能。
哈佛发现基础模型比你想象中更强大：纯采样方法可超越RL
论文提出基础模型本身已具备强大推理能力，通过“幂采样”纯采样算法，在多推理任务上媲美或超越RL后训练，挑战“RL才能提升推理”观念，为理解基础模型潜力开新视角。
浙大推出首个「多图应用题」基准GSM8K-V，全面评估 VLM数学推理能力
浙江大学团队推出视觉数学推理基准GSM8K-V，将GSM8K映射为视觉对应版本。它数据可靠、覆盖全面，经三阶段构建。实验显示，现有视觉语言模型在视觉推理上短板明显，为模型发展指明方向。
永别了，人类冠军！AI横扫天文奥赛，GPT-5得分远超金牌选手2.7倍
国际天文与天体物理奥赛（IOAA）中，GPT - 5和Gemini 2.5 Pro完胜人类选手。俄亥俄州立大学团队考察五大顶尖LLM，发现它们大多达金牌水平，但在几何、时空推理等方面有困难。
开源仅一周，鹅厂文生图大模型强势登顶，击败谷歌Nano-Banana
腾讯混元团队开源的原生多模态生图模型混元图像 3.0，开源仅一周就在国际权威评测榜单 LMArena 上超越谷歌 Nano - Banana 等，位列文生图综合和开源榜单第一。实测表现出色，技术上也有诸多创新。
马斯克宣布开发 Grokipedia，目标超越维基百科，改善信息偏见
马斯克宣布 xAI 开发 Grokipedia，称其是对维基百科的巨大改进，也是理解宇宙的必要一步。维基百科存在左翼偏见问题，Grokipedia 旨在建立无偏见知识库，引发广泛讨论，名字也有争议。