「视觉 - 语言 - 动作模型」共找到 1813 篇相关文章
谷歌开源Gemma 3n：2G内存就能跑，100亿参数内最强多模态模型
本周五凌晨，谷歌正式发布、开源全新端侧多模态大模型 Gemma 3n。它有多模态设计、专为设备端优化等特性，核心是 MatFormer 架构，还采用了 PLE 技术等，在多方面实现质量提升。
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。
LLM进入「拖拽时代」！只靠Prompt，几秒定制一个大模型，效率飙升12000倍
新智元报道，NUS、UT Austin等机构研究人员提出「拖拽式大语言模型」（DnD），它基于提示词生成模型参数，无需微调适应任务，效率最高提升12000倍，零样本泛化能力出色。
ACL 2025 | 指令遵循不能仅靠常识？GuideBench 揭示大模型如何“踩雷”领域指南规则
这篇ACL 2025主会论文聚焦提升智能体指南规则遵循能力。提出评估基准GuideBench，涵盖7类1272个任务。实验显示多数主流大模型指令遵循能力不佳，尤其数学推理挑战大，为模型迭代提供评估基准。
让AI像人类一样认知真实世界！UCLA谷歌强强联手，长时记忆+3D空间理解超越基线16.5%
如何让AI在3D环境中像人类一样思考，是具身智能领域难题。UCLA与谷歌团队带来3DLLM - MEM模型与3DMEM - BENCH基准，让AI有构建、维护和利用长时记忆能力，实验超基线16.5%，但有依赖模拟器预设的局限。
论文秒变海报！开源框架PosterAgent一键生成顶会级学术Poster
本文介绍开源框架PosterAgent，它能一键将论文转为可编辑的学术海报。相比GPT - 4o，其生成指标优、token使用量少、成本低。研究团队构建评估标准Paper2Poster，实验显示PosterAgent在多方面表现出色。
波士顿动力机器人进厂打工现逆天操作！3D感知+实时追踪，人类捣乱完全不带怕的
波士顿动力的Altas机器人重磅升级，具备3D空间感知和实时物体追踪能力，可自主执行复杂工业任务。文章还解析其背后技术，包括2D感知、3D感知、物体位姿估计和校准等，团队未来将构建统一基础模型。
狂揽22.6k星！这个开源工具让你一键调用100+大模型，开发效率直接起飞！
LiteLLM是BerriAI团队开发的开源工具，通过标准化OpenAI格式API接口，能无缝调用100+主流大语言模型。有核心功能亮点，适用于多场景，还给出上手步骤，并与同类项目对比。
Gemini 2.5 Pro登顶三冠王！AI最强编程屠榜，全面碾压Claude 3.7
谷歌Gemini 2.5 Pro（I/O版）横空出世，登顶LMAreana获文本、视觉、编码三连冠，编程能力碾压Claude 3.7。开发者可通过Google AI Studio等使用，其应用演示展现强大实力。
聚焦物理智能最前沿，PAIR首届年度会议即将开启！
当大模型能理解语言与图像，‘物理智能’指向智能从比特到原子的跨越。2026 年 9 月 20 - 21 日，上海物理智能与机器人研究院将主办‘PAIR Conference 2026’，设主题学术和商业闭门会议。