「深度多模态整合」共找到 1874 篇相关文章
餐巾纸上的产品哲学：为什么NoteBookLM是AI圈的一股清流
文章介绍NoteBookLM，其设计师在餐巾纸上画原型。它用三栏结构解决用户痛点，克制不堆砌功能，不胡编乱造回答。其成功源于清醒的产品哲学，做减法创新，有定力拒绝诱惑。
GUI 精准定位新 SoTA：LASER 让模型从“看全图”走向“锁重点”
多模态大模型在高分辨率、元素密集的 GUI 场景易误判。苏州大学 OpenNLG 团队提出 LASER 方法，让模型学会主动推理，通过关键区域聚焦等提升定位精度，在基准测试中表现出色。
谷歌AI新里程碑：一个能「做研究」的系统诞生了，用LLM+树搜索编写专家级软件
谷歌提出能帮科研人员编写「专家级」科研软件的AI系统，融合大语言模型和树搜索，可整合重组知识构建新思路。在多领域超人类表现，但局限于可量化任务。
人类秒懂，AI崩溃：一个简单测试，就让GPT-5、Gemini等顶级模型集体“翻车”
来自多机构研究团队发现，OpenAI的GPT-5等顶级AI模型，面对‘看得见但读不懂’文字时表现极差。VYU团队实验显示，人类能轻松读懂的切分拼接文字，AI却全军覆没，原因是其靠模式匹配，不懂文字结构。
用“蒸汽机”生成视频，还能音视频一体化交付？
8月21日百度营销发布百度蒸汽机2.0，含多版本，有声版可音视频一体化交付。经测试，其生成视频细节佳、运动规律合理。它能解决影视业诸多痛点，成本低，还可免费使用。
惠州老板搭上英伟达，公司市值半年飙涨1300亿
胜宏科技董事长陈涛白手起家，带领公司深度绑定英伟达等头部客户。2024年营收超107亿，市值半年涨1300亿。今年公司积极融资扩张，同时高管减持引投资者担忧。
Anthropic深夜叫停“无限套餐”！一份万亿Token账单，揭开AI行业烧钱的恐怖真相！
文章以Anthropic叫停‘无限套餐’为例，揭示AI行业烧钱真相。指出‘模型降价能盈利’是错觉，存在‘没人用旧模型’和‘AI Agent耗Token’两大陷阱，还给出三条破局出路。
演讲生成黑科技，PresentAgent从文本到演讲视频
联合团队提出 PresentAgent，能将长篇文档转化为带解说演示视频。采用模块化流程，还引入 PresentEval 评估框架。实验显示其接近人类表现，优于现有方案，展现了多模态智能体潜力。
ChatGPT智能体正式发布，多个创业赛道昨夜无眠
OpenAI正式发布ChatGPT Agent，将思考与执行能力统一，可接管电脑，能处理工作和生活多种事务。它优化后能力达SOTA，但也有风险。这或重塑互联网，让Agent创业者重新审视竞争力。
一键实现PPT演讲自由！「解说音频+视频」同步生成，效果逼近真人
澳大利亚与英国研究人员提出文档到演示视频生成任务，推出PresentAgent系统。它能将长文档转为带语音和同步幻灯片的视频，流程可控且适应多领域。实验显示其生成视频接近人类表现，还设计了双路径评估策略。