「多模态指令数据合成」共找到 3383 篇相关文章
刚刚，GPT-5.1发布，OpenAI开始拼情商
深夜，OpenAI上线GPT - 5.1 Instant和GPT - 5.1 Thinking模型。前者更温暖智能、指令执行强，后者处理任务更高效易理解，语气温暖。模型将逐步推出，还发布系统卡附录。
商汤新模型 SenseNova-U1 Pro 曝光，对标 GPT-Image-2，瞄准「设计」赛道
商汤科技在股东大会预告下一代旗舰多模态基座模型 SenseNova-U1 Pro，预计 2026 年 7 月邀测，对标 GPT-Image-2，瞄准「设计」赛道，具备多核心能力，还支持 8K 分辨率输出。
隐私堡垒！Presenton开源革命：本地AI生成PPT，敏感数据永不触网！
本周GitHub新开源项目Presenton可离线制作PPT，支持主流AI模型，本地运行保护数据隐私，有灵活自定义模板和API集成功能，还具备多模型支持、主题定制等特性。
SRO架构赋予Qwen-2.5-VL推理能力，性能飙升16.8%
文本领域推理模型成就大，但扩展到多模态大语言模型遇阻力，如冷启动初始化不足等。为此提出 SRO 三阶段训练框架，经测试，ReVisual - R1 平均性能提升 16.8 个百分点。
Qwen2.5VL新玩法，看电影讲故事
本公众号关注AI前沿技术，分享实战案例与课程。介绍视觉叙事技术及挑战，基于Qwen2.5 - VL 7B模型微调Qwen Storyteller，构建StoryReasoning数据集，还给出实战代码及相关链接。
Feed-Forward 3D综述：三维视觉如何「一步到位」
这篇由12所机构联合撰写的综述论文，总结2021 - 2025年间数百项创新工作，建立Feed - Forward 3D方法谱系与时间线，介绍五大技术分支、应用场景、评测指标与结果，还指出未来挑战与方向。
谷歌放大招了，开源命令行AI编程Agent，每天1000次免费调用，编程只是基础功能。
Google推出开源命令行AI编程Agent——Gemini CLI，基于Gemini 2.5 Pro模型，免费提供每日1000次调用额度。它不仅能编程，还具备多模态能力、实时信息整合等功能，支持定制与自动化。
Qwen2.5VL又多一个娱乐场景，看电影讲故事
文章聚焦Qwen2.5VL新娱乐场景“看图讲故事”。介绍视觉叙事目标、挑战，讲述基于StoryReasoning数据集微调Qwen Storyteller模型的解决思路，含核心技术，还给出实战代码及相关链接。
龙虾爆出漏洞，斯坦福 OpenJarvis 重新定义本地 AI Agent，附实测
OpenClaw开源项目虽火但漏洞多，安全堪忧。斯坦福发布本地优先的个人AI Agent框架OpenJarvis，其架构模块化，数据本地处理更安全，安装简单，还能让Claude Code部署，值得关注。
刚刚，新一届ACM博士论文奖正式公布
近日，新一届 ACM 博士论文奖公布，含一个博士论文奖和两个荣誉提名。获奖论文探讨人机协作解决心理健康问题，荣誉提名论文分别聚焦计算模型局限性及大模型数据利用。