「多模态视频推荐」共找到 2092 篇相关文章
OpenAI未公开的o3「用图思考」技术，被小红书、西安交大尝试实现了
OpenAI推出的o3推理模型打破传统文字思维链边界，实现图像融入推理过程。小红书与西安交大联合构建多模态深度思考模型DeepEyes，尝试实现类似能力，还开源技术细节，在多任务中表现出色。
让大模型“边看边改”，视觉分割准确率直接上涨9% | ICML 2026
复旦、创智联合推出RSAgent，让多模态大模型通过多轮工具调用生成准确掩码，解决视觉分割难题。该工作入选ICML 2026，实验显示其在多个测试集上表现领先，还展示了从‘看图问答’到‘视觉行动’的路径。
DeepMind发布SIMA 2！打通「感知-推理-行动-反思」闭环
DeepMind推出的SIMA 2，可让智能体在虚拟环境中边聊天边进行复杂多模态推理。它整合Gemini能力，从指令执行者变为互动伙伴，有强大迁移泛化与自我提升能力，是迈向AGI重要一步，但也面临一些挑战。
OpenAI突然发布Sora 2：好一个“AI版抖音”！
OpenAI重磅上新，带来依托Sora 2的“AI版抖音”——Sora iOS APP。Sora 2是音视频同步生成模型，更遵循物理定律、可控性强，还能注入现实元素。实测效果佳但画质低，Pro版可改善，后续还会发布API。
iPhone 17 Pro居然能跑8B大模型！
iPhone 17 Pro竟能跑8B大模型，如Qwen3 - 8B，推理较流畅。作者换机一是因eSIM，二为拍视频。其认为AI普及需端侧落地，此机芯片性能是好信号，盼出优质iOS客户端。
社区供稿丨MiniCPM-V 4.5 技术报告正式出炉
上个月开源的多模态模型 MiniCPM-V 4.5 广受好评，今日其技术报告出炉。报告从架构、数据和训练三方面探索高效路径，提出三大技术，使模型在多任务上突破，小参数规模下性能和推理速度佳。
谢赛宁也玩MC？开源全新世界模型生成多人一致的游戏视角
电子游戏推动AI发展，谢赛宁团队探索世界模型新方向，推出多人视频世界模型Solaris。该模型能生成多人一致的第一视角，团队还搭建了多人数据采集系统SolarisEngine，构建了多人Minecraft数据集。实验结果显示，其方法在多方面表现更优。
造过 Codex 的人，为什么每天用 Claude Code
Calvin曾带队构建编程Agent Codex，如今日常用Claude Code。他和Garry Tan在播客聊了编程Agent的产品哲学差异、分发逻辑等。Claude Code拆分上下文表现出色，LLM成开发者工具推荐引擎，还探讨了构建、使用编程Agent的要点。
全网挤爆Seedance 2.5，但2.0 fast降到6毛是真的香！
近期AI视频赛道竞争激烈，FLUX 3登场，国内巨头也纷纷推出新模型。字节Seedance 2.5优势明显，但适用特定场景。Seedance 2.0 fast降至6毛每秒，经多场景实测，表现均衡，是性价比之选。
VLM剪枝新SOTA：无需重训练，注意力去偏置超越6大主流方案
常用的attention机制存在位置偏置和padding异常，影响剪枝效果。上海大学曾丹团队提出无需重新训练的attention去偏方法，在多模型、剪枝策略及基准上验证有效，为多模态模型部署提供新思路。