「视觉-语言生成」共找到 3489 篇相关文章
Qwen3-ASR开源：够稳定，能流式，多语言！
今日正式开源Qwen3-ASR系列模型，含两个语音识别与一个语音强制对齐模型，支持多语种。依托创新技术实现精准稳定识别，1.7B模型多场景达SOTA，0.6B兼顾性能效率，强制对齐模型精度超传统模型。
ROLL：面向大规模语言模型的高效强化学习框架
本文介绍阿里推出的ROLL强化学习框架，专为LLM训练优化。它设计灵活，不同用户可用其满足业务、探索或线上指标需求。在多任务训练中性能出色，还采用创新机制提升效率，支持自定义操作，适合学术和业务场景。
Node.js 拟内置虚拟文件系统，AI 生成代码引争议
Node.js 技术指导委员会成员 Matteo Collina 提议在 Node.js 核心新增 `node:vfs` 模块引入原生级虚拟文件系统，引发关注。功能可解决常见工作流程难题，已获部分开发者支持，但因用 AI 开发引争议。
Vibe Coding 在代码生成与协作中的实践与思考
本文整理自阿里专家向邦宇的分享。探讨构建 Vibe Coding 工具，介绍其分类、在阿里现状。指出用户使用中面临代码质量等问题，产品自身有设计、安全挑战。还分享 Agent 建设经验，强调适配国产模型及模板化的作用。
「听觉」引导「视觉」，OmniAgent开启全模态主动感知新范式
针对端到端全模态大模型痛点，浙江大学、西湖大学、蚂蚁集团联合提出 OmniAgent，它基于「音频引导」，用「思考 - 行动 - 观察 - 反思」闭环实现范式转变，在多基准测试中超越开闭源模型。
AI研发新范式：基于技术方案全链路生成代码
文章指出过往代码补全方式存在局限，腾讯广告审核团队探索新AI开发范式。介绍业界AWS、Lovable范式，阐述审核团队实践范式，含定义、技术选型、过程标准化等，还提及进展、困难与未来展望。
准确率腰斩！大模型视觉能力一出日常生活就「失灵」
EgoCross项目团队聚焦跨域第一视角视频问答评测，揭示现有MLLM在多场景泛化瓶颈。团队提出跨域第一视角视频问答基准EgoCross，经测试揭示模型短板，验证改进方法潜力，研究入选AAAI 2026且数据集等已开源。
Agent 走向具身世界：从语言智能到机器人「大脑指挥官」
华为诺亚方舟实验室发布 RoboHarness 系统，解决不同策略协作问题。它将独立控制系统封装成可调度技能，由 Coding Agent 决策，还设计辅助技能和 Memory Bridge 模块，促进策略协同，推动具身智能发展。
本地运行、支持视觉与工具调用：Meta 开源智能体模型
Meta AI Research 推出 300 亿参数的开放权重模型 Muse Glimmer，采用 Apache 2.0 许可证。它专为本地工作流设计，能在消费级硬件运行，经多项优化，在基准评估中表现出色，还支持多种框架。
“一句话生成游戏”之后：2026 ChinaJoy的四个变化｜甲子光年
AI给游戏产业带来新的生产技术，也引发了一场围绕游戏产业新价值链的争夺。本文介绍了2026 ChinaJoy现场正在发生的四个变化，包括游戏开发者的时间被重新分配、游戏引擎开始为Agent重新设计等。