「多模态深度调研」共找到 1664 篇相关文章
迈向无缝共生：大模型GUI Agent的「屏幕图灵测试」与拟人化之路
多模态大模型使GUI Agent能模拟用户执行任务，但也引发与平台的利益冲突。论文提出“屏幕图灵测试”和AHB基准评估拟人化能力，探讨拟人化策略及权衡，为Agent在数字世界共生提供指南。
CVPR2026 | 鬼手想点谁就点谁？LaSM让GUI智能体把注意力「收回来」
文章聚焦弹窗式环境注入攻击，指出多模态智能体易受环境干扰致目标漂移。提出 LaSM 方法，通过放缩关键层权重让智能体注意力回到任务，实验显示其提升防御效果，且对正常任务影响小。
告别单打独斗！ClawTeam-OpenClaw 一键 spawn 整个 AI 开发团队
ClawTeam-OpenClaw 是多代理协调框架 OpenClaw 深度适配版，让 AI 代理自动组队协作。它有一键 spawn 团队、智能任务依赖管理等功能，在科研、开发、投资分析场景优势明显，介绍了使用方法和项目地址。
模型声称会“脑补”，结果被论文打脸了？潜在空间想象竟是“摆设”！
多模态大模型中“潜在视觉推理”概念很火，研究者让模型在潜在空间“想象”。但清华和北交学者论文指出，潜在 Token 不关心输入、不影响输出、没信息量。作者提出 CapImagine 方案，效果远超潜在空间方法。
自动化评测的九九归一——评测agent
本文提出统一评测Agent架构，实现评测全链路自动化。它能学习标注标准，完成自动标注等工作。还介绍架构、解耦方法、模型优化及训练方案，解决多模态幻觉等问题，提升机审率，节省标注成本。
蚂蚁开源世界模型LingBot-World：具有分钟级记忆的实时世界模拟器
蚂蚁集团旗下灵波科技开源具身智能模型及世界模型LingBot-World，它将视频生成模型进化成可交互世界模拟器，采用多阶段进化策略，有涌现记忆等能力，虽有不足，但为开源社区构建世界模型迈出坚实一步。
AI看不懂的色盲测试背后，藏着一场像素与诗意的战争。
作者和同事测试AI色盲测试图，多模态模型Gemini 3 Pro、Claude Opus 4.5等纷纷答错，仅GPT 5.2 Thinking答对且靠代码作弊。研究发现，AI看图断章取义，缺乏人类的“格式塔”能力。
联合AI天使会、对接百家顶级VC，「星火计划」正式启动招募
算泥社区联合AIGC开放社区发布「星火计划」，联合AI天使会等对接百家顶级VC，构建全链路服务体系。其有构建资本网络、深度辅导、提供品牌与资源等优势，现向早期项目开放征集。
【AAAI 2026大会特邀报告】从推理到科学发现：AI迈向可精专通才之路
上海人工智能实验室周伯文在AAAI 2026大会提出，当前处于AGI前夕，需通专融合智能。他认为可深度专业化通用模型是实现AGI的可行路径，科学发现是AI前沿，还介绍了SAGE架构及相关成果。
DeepSeek又拿第一！首创「因果流」视觉推理，超越Gemini
DeepSeek开源DeepSeek - OCR2，引入DeepEncoder V2视觉编码器，打破传统模型扫描限制，模仿人类视觉「因果流」逻辑。它解决了传统VLM忽略图像语义结构问题，在多项测试中表现出色，还验证了「LLM作为视觉编码器」可行性。