搜索：视觉-语言-动作

「视觉-语言-动作」共找到 1811 篇相关文章

谷歌AI Agent刚开源！多任务智能体+MCP+谷歌搜索，狂揽9000颗星

今天凌晨，谷歌在官网开源AI Agent框架Gemini CLI，将Gemini大模型融入终端。它能调用视频和图像模型，集成MCP、谷歌搜索等功能，还集成超强编码助手，刚开源就在Github超9000颗星。

多模态大语言模型（MLLMs）研究热门，有效评估成关注焦点。CVPR2025将举办多模态LLM评测Tutorial，梳理评估基准，探讨评估方法，聚焦‘幻觉现象’，团队经验丰富，覆盖多板块内容。

印度 Sarvam AI 发布国家级模型 Sarvam - M，虽被赞为本土 AI 研究突破，支持 10 种印度本地语言，但上线两天仅 334 次下载，投资人批评其成果‘令人尴尬’，引发社区激烈争论。

浙江大学团队论文指出，多AI协作系统存在“群体思维”，多个AI共同决策时会盲目跟多数意见。研究者开发BenchForm测试平台验证LLM从众行为，还分析原因、给出让LLM更独立的方法，指出从众利弊及未来挑战。

近年来，世界模型成视觉 AI 重要研究方向。兔展智能联合研发的 UniWorld - View 登顶 WorldScore 榜单，完成昇腾算力适配与开源。它聚焦让 AI 理解未拍摄世界，解决了诸多技术难题。

吴恩达老师开源了桌面 AI Agent OpenWorker，对标闭源 Agent。它能交付成品，本地优先、支持多模型，重要动作需审批。有 25+ 连接器，支持定时任务和角色模板，提供多方式上手。

网友发现把Fable 5上下文转成图片，让模型通过OCR读取，token输入成本最多省70%。方法pxpipe在GitHub获3000+STAR，本质是本地代理，还引出谷歌老论文及DeepSeek - OCR相关技术。

Claude Code上线官方安全插件security - guidance，能在写代码时自动识别并修复安全漏洞。它分三层防线，覆盖多种漏洞类型，还支持自定义安全策略，安装方便，但只是辅助工具。

2026年5月11日，OpenClaw上线macOS桌面操控工具Peekaboo，提供像素级截图、UI元素识别和GUI自动化能力。它打破Agent局限，可接管桌面操作，部署简单，普通人也能用，还有安全保障，但也存在坐标偏移等问题。

4月14日，智源社区、DeepTech联合举办ICLR 2026预讲会。会议聚焦顶会核心精华，三十余位论文作者分享AI Agent、大语言模型等热门领域成果，展示解决大模型痛点的研究。