「多模态长文档视觉问答」共找到 1665 篇相关文章
李飞飞第一篇「触觉」论文：机器人会盲摸麻将了
李飞飞等全明星阵容关注灵巧手研究，提出T-Rex模型。其通过给触觉单独开通路等方式解决触觉加入难题，在真实任务中表现出色，还为灵巧手领域带来从机身分化、启发专用场景应用等变化。
刚刚，阿里「欢乐马」正式上线，抢先实测这匹「黑马」
4月27日，阿里ATH团队上线视频生成模型HappyHorse 1.0。它依托多模态架构，音视频创作编辑一体，价格实惠。支持文生、图生、多图参考生视频，视频编辑功能强大，能精准替换主体、添加元素、改变风格。
万字长文梳理「罗福莉」三个半小时的访谈：2026年不是Agent元年，是生产力爆发年
小米大模型负责人罗福莉在访谈中复盘技术剧变，分享对OpenClaw的认知转变，阐述Agent框架本质，介绍MiMo V2架构选择，探讨人跟Agent共创、多模态Agent等内容，判断2026年生产力将爆发。
击败PI！星动纪元登顶具身奥林匹克，狂揽三项全球冠军
在具身灵巧操作奥林匹克赛事Benjie’s Olympics中，中国具身智能公司星动纪元斩获三项全球第一，超越美国明星公司PI。其自研VLA具身模型优势显著，且已在多领域落地应用。
OpenClaw现在可以直接生成视频了，支持12家视频模型提供商
Peter Steinberger宣布OpenClaw新版推视频生成功能，让Agent完成文本到视频流程。它集成12家视频生成提供商，异步生成，使用简单，支持丰富参数配置，官方文档见https://docs.openclaw.ai/tools/video-generation 。
极客大神构建了LLM架构画廊，AI大神Karpathy点赞
极客大神Sebastian Raschka构建LLM Architecture Gallery，将复杂模型结构化繁为简，引发技术圈讨论，AI大神Karpathy点赞。画廊高度视觉化、互动性强，展示模型架构图及核心参数，源数据开源。
黑马图像模型被Nano Banana技术负责人点赞！15人华人小队，DDIM之父&CVPR最佳论文作者带队
Luma AI推出全新图像模型Uni - 1，对标谷歌Nano Banana Pro和GPT Image 1.5。它是统一图像理解与生成模型，多项评测表现出色。背后是不到15人的华人团队，由DDIM之父和CVPR最佳论文作者带队。
走出 MMLU 的高分幻觉：AI Agent 的「斯坦利时刻」与职场生存法则
文章指出多模态大模型在基准测试分数高，在实际业务流程却像‘职场巨婴’。研究团队构建Trainee - Bench测试顶尖模型，结果显示模型离‘独立上岗’远，凸显提升Agent自主学习性的重要性。
Claude Code官方出教程了！创始人分享十大神级技巧，内部团队原来是这样用的
Claude Code 创始人 Boris Cherny 分享内部团队使用 Claude Code 的十大技巧，包括并行处理任务、用‘计划模式’启动复杂任务、投资 CLAUDE.md 文件等，还给出各技巧的具体操作方法及相关文档链接。
大模型学会拖进度条看视频了！阿里新研究让视频推理告别脑补，实现证据链思考 | ICLR 2026
阿里巴巴未来生活实验室团队解决多模态大模型视频推理难题，推出ReWatch数据集和ReWatch - R1模型。数据集克服现有训练数据痛点，模型用SFT + RL范式及创新奖励机制，实验成绩SOTA。