「多模态融合」共找到 1365 篇相关文章
GPT-Image-2平替！最强开源生图模型来了
OpenAI推出GPT Image 2引发AI生图大战，国内厂商商汤反击，推出多模态理解生成模型SenseNova U1并全面开源。它通过自研架构实现理解、推理、生成统一，实测表现惊艳，能力全维度，与GPT-Image-2范式不同。
谷歌向左、李飞飞往右，阿里世界模型「快乐生蚝」杀出第三条路
阿里推出世界模型HappyOyster（快乐生蚝），基于原生多模态架构，有漫游和导演两大核心功能，可实时构建和交互。与文生视频模型不同，它能随时被干预。虽世界模型尚处早期，但应用场景广泛。
腾讯混元开源世界模型！2.0版本一键生成3D空间，游戏关卡随心造
4月16日，腾讯正式发布并开源混元3D世界模型2.0（HY - World 2.0）。它是多模态模型，能理解多种输入，自动生成、重建和模拟3D世界，支持多格式3D资产导出，可与游戏工作流对接。
全球第一，13个SOTA！我们找到了龙虾界掌管GUI的神
明略科技推出自研 GUI-VLA 智能体模型 Mano-P 1.0，不依赖 API 对接与浏览器场景，可操作桌面软件与网页界面。它在 13 个多模态基准榜单达 SOTA，支持本地运行，数据零上云，采用分阶段开源策略。
从Token到词元：全模态时代的基模与交互入口
2026年3月24日国家数据局确立“词元”为Token标准译名，Token生成与消耗方式在多模态场景正发生变化。模思智能获数亿融资，探索从语音到全模态的路径，成果颇丰且完成能力闭环，其发展受关注。
AST | 西工大崔榕峰、张伟伟等：基于物理约束与双并行注意力UNet++的高保真度三维机翼流场重构研究
本文针对三维机翼流场重构难题，提出DPAtt - UNet++框架，融合几何隐式编码、多尺度注意力与物理规律约束。实验表明，其重构精度高，预测速度较CFD提升2 - 3个数量级，为飞行器气动分析提供新路径。
连OpenAI都在偷偷重仓！大模型的下一站，是「入侵」人类大脑
AI巨头入局使脑机接口升温，格式塔科技获1.5亿融资刷新中国纪录。全球超声赛道投资热，OpenAI等参与。超声波路径优势多，格式塔聚焦医疗，产品有望落地，AI融合是关键，未来脑机接口或成基础设施。
整整21个月，豆包大模型正式进入2.0时代！
时隔21个月，豆包大模型2.0正式推出。它在多模态理解、企业级Agent、推理和代码能力上有提升，在多个基准测评中达业界最优。实测显示其在编程、数学问题处理上性能出色，性价比也具优势。
大模型被确诊「视觉文盲」！多校联合提出MILO，为它植入空间想象力
空间推理是多模态大语言模型（MLLMs）应用关键挑战，当前‘语言描述式调优’让模型成‘视觉文盲’。多校联合提出MILO范式，结合视觉生成反馈与语言调优，还构建GeoGen数据集，经五大任务验证其有效。
音画同步视频生成重磅开源！Character AI和耶鲁大学推出Ovi，让音、画在一个大脑里思考
Character AI和耶鲁大学团队推出开源模型OVI，它采用双骨干交叉模态融合架构，让音视频同步生成。其架构对称，用旋转位置嵌入技术对齐时间，训练策略分步进行，生成效果佳，为开源音视频生成提供新路径。