「多模态理解与生成」共找到 3417 篇相关文章
源神阿里！图像生成Ovis-Image再开源，7B小参数媲美GPT-4o和20B开源模型
阿里Ovis团队发布Ovis - Image，7B参数文本到图像模型，在文本渲染任务媲美GPT - 4o和20B + 开源模型。它架构优化、数据工程精细、训练范式独特，实测数据表现佳，显存占用低、推理快。
Meta 系 95 后华人明星团队，创业一年就与高通达成合作，让手机拥有多模态记忆
由华人创业者沈俊潇创办的 Memories.ai 发布 LVMM 2.0 并宣布与高通合作，该模型 2026 年将在高通处理器上原生运行。它解决视频可搜索性问题，应用广泛，能降低延迟、确保数据安全等。
最强多模态模型也拿不到30分？DeepImageSearch定义相册搜索新范式，开启个人视觉记忆的深度搜索时代
人大窦志成教授团队联合OPPO研究院提出DeepImageSearch图像检索新范式，将其从“逐张语义匹配”推向“语料库级上下文推理”。团队构建评测基准DISBench，用ImageSeeker框架评测主流模型，结果显示最强模型单次完美解决查询比例不超三成。
重磅！谷歌开放世界模型Genie 3试用：AI实时生成可玩世界，人人都能创造“我的世界”
谷歌开放世界模型Genie 3实验性研究原型Project Genie试用，美国18岁以上Google AI Ultra订阅用户可体验，能创建、探索和重混互动世界，不过Genie 3是早期研究模型，有待改进之处。
兄弟们，人都麻啦，网站克隆＋AI生成前端，又一个卷王项目，这叫我还怎么卷啊！！！
Open Lovable由Firecrawl团队开源，输入网站URL，AI就能将其转换为可运行的React／Next.js应用。项目亮点是开源、支持多AI提供商等，可解决原型开发、旧站迁移等痛点。
牛津VGG、港大、上交发布ELIP：超越CLIP等，多模态图片检索的增强视觉语言大模型预训练
牛津VGG、港大、上交大团队论文提出ELIP方法，用学术界资源增强视觉语言大模型预训练，用于文字 - 图片检索。该论文被大会接受并获最佳论文提名。ELIP可应用于多个大模型，实验显示能显著提升图片检索表现。
教多模态大模型学会“反思”和“复盘”，上交&上海AI Lab重磅发布MM-HELIX&AHPO，破解多模态复杂推理难题
上海交通大学和上海人工智能实验室研究团队带来MM - HELIX，这是完整生态体系，赋予AI长链反思性推理能力。其含基准测试、数据集、优化算法，搭载相关技术的模型表现优异，部分成果已开源。
这个开源工具让AI理解你正在操作的任何界面，俩学生辍学开发的产品，功能超多。
Everywhere是两个学生辍学开发的开源交互式AI助手，能感知屏幕内容，在任意界面使用。它功能多、细节优，支持多场景，集成多种AI模型，使用简单，还提供个性化体验。
代码生成要变天了？被质疑架空后，Yann LeCun携320亿参数开源世界模型“杀回来了”
美国当地时间9月24日，Yann LeCun团队发布320亿参数代码世界模型CWM。它创新训练方式，能模拟代码执行。性能测试表现出色，还开放检查点。Meta AI业务重组，CWM发布或表明未彻底放弃开源。
攻克大模型「表格盲区」！ST-Raptor框架发布，实现复杂半结构化表格的精准理解与信息抽取
半结构化表格布局多样、结构复杂，让自动化数据处理困难。上海交大等团队发布 ST - Raptor 框架，提出 HO - Tree 数据结构及树上操作，构建 SSTQA 数据集，提升表格问答准确率，弥补大模型处理短板。