「多模态视觉作品」共找到 1466 篇相关文章
I/O大会开完，谷歌连搜索框都变智能体了
当地时间周二谷歌I/O大会举行，转型智能体时代。谷歌推出Gemini 3.5系列模型，轻量级3.5 Flash已开放，重量级3.5 Pro仍在开发。还发布全新AI智能体Spark，改造谷歌搜索，推出多模态模型Gemini Omni。
最新！Demis Hassabis：Agent才刚刚开始，AI下一步是创造虚拟细胞
DeepMind掌门人Demis Hassabis在专访中谈到AGI发展，认为当前技术距AGI可能差一两个大突破，预计2030年左右实现。还探讨了记忆、Agent、推理等问题，提及开源、多模态等情况，展望了生物领域虚拟细胞等。
刚刚，阿里Qwen3.6又悄悄放出4个开源权重，卷疯了
继今年2月发布Qwen3.5系列后，阿里推出Qwen3.6多个开源权重版本。Qwen3.6优先保障稳定性与真实场景可用性，为开发者提供更好编码体验。介绍了Qwen3.6 - 27B和Qwen3.6 - 35B - A3B亮点。
π0.7的泛化能力有多强？零样本纯靠口述就能用空气炸锅，演示完换个机械臂也能叠衣服
2026年4月16日，美国明星机器人AI公司Physical Intelligence发布模型π0.7。它具组合泛化能力，借助多模态提示框架，能零样本完成新任务。在空气炸锅、叠衣服等实验中表现出色，有望推动具身智能发展。
字节Seedance 2.0发论文了，171人署名，吴永辉曾妍在列
现象级AI视频技术字节Seedance 2.0在arXiv发论文，公布26页Benchmark和170位贡献者名单。此时它正通过Byteplus平台铺向全球，支持多模态输入。该模型突破瓶颈，评测表现优异，团队近半换血。
刚刚，Meta 发布新模型，股价大涨 10%
Meta发布新模型Muse Spark，是原生多模态推理模型，支持多种功能。其沉思模式处理复杂问题表现佳，还有新购物模式。虽评论区有质疑，但Meta股价大涨。模型未开放API等，实际实力待察。
Claude能直接操控你的电脑微信了，这才是真正的上位小龙虾。
Claude新发更新，可通过Computer use纯视觉方案操控电脑，还更新了远程操控Dispatch。这俩功能组合让Claude能操控微信等本地软件，使用简单，且权限管控和防护较好，更新速度快，领先同类产品。
打破视频推理「先看后想」惯性，实现真正的「边看边想」丨CVPR'26
现有大型视觉语言模型（VLM）在实时场景表现不佳，宁波东方理工大学沈晓宇团队提出TaYS，让VLM从“帧文交错”切换到“并行”，实现“边看边想”，在准确性和延迟上表现出色，推动VLM走向更真实应用。
手机版openclawd来了，无需Root，让 AI 像人类一样使用你的手机
Andclaw是个人开发者开源的Android自动化工具，核心理念是让AI像人类一样使用手机。它无需Root、电脑，通过无障碍服务读取屏幕内容，让AI分析操作。具备无需Root、独立运行等功能，还支持多模态输入。
基于 Qwen3-VL-Embedding-8B 实现文搜图语义内容检索的实战教程
文章围绕Qwen3-VL-Embedding-8B模型展开，介绍其核心特性、技术架构等，提供环境搭建、模型部署指南，给出文搜图系统架构及代码实现，还通过电商、社交媒体、企业文档三个实战案例展示应用，最后讲解性能优化与常见问题解决方法。