「多模态视觉理解模型」共找到 1933 篇相关文章
GUI 精准定位新 SoTA：LASER 让模型从“看全图”走向“锁重点”
多模态大模型在高分辨率、元素密集的 GUI 场景易误判。苏州大学 OpenNLG 团队提出 LASER 方法，让模型学会主动推理，通过关键区域聚焦等提升定位精度，在基准测试中表现出色。
人类秒懂，AI崩溃：一个简单测试，就让GPT-5、Gemini等顶级模型集体“翻车”
来自多机构研究团队发现，OpenAI的GPT-5等顶级AI模型，面对‘看得见但读不懂’文字时表现极差。VYU团队实验显示，人类能轻松读懂的切分拼接文字，AI却全军覆没，原因是其靠模式匹配，不懂文字结构。
空间智能卡脖子难题被杭州攻克！难倒GPT-5后，六小龙企业出手了
杭州群核科技发布空间大模型，深耕室内场景，直指‘空间一致性’痛点。其开源子模型具真实感全息漫游、可交互等特点。当前空间模型处早期，群核提出‘三位一体’战略，还将开源促行业发展。
用“蒸汽机”生成视频，还能音视频一体化交付？
8月21日百度营销发布百度蒸汽机2.0，含多版本，有声版可音视频一体化交付。经测试，其生成视频细节佳、运动规律合理。它能解决影视业诸多痛点，成本低，还可免费使用。
24个Agent工作流框架用哪个? 11个维度全面评测
LLM发展推动自然语言理解进步，国产LLM密集发布。文章从功能能力和架构特性两维度，对24个智能体工作流框架全面评测，给出关键结论，还提及优化策略、应用领域等。
重塑浏览器！微软在Edge加入AI Agent，自动化搜索、预测、整合
今天凌晨微软官网宣布在浏览器Edge中加入Copilot模式，它像多层级混合智能体，能自动执行搜索、整合等操作，有标签筛选等创新功能，可提升效率，还保障隐私安全，已免费开放。
吴恩达：产品经理才是 AI 时代的最大瓶颈
吴恩达指出，AI编程助手使写代码变快，‘决定做什么’成新瓶颈，即‘产品管理瓶颈’，产品经理比程序员更稀缺。他强调用户同理心和心智模型，认为软件开发正从技术驱动转向价值驱动。
演讲生成黑科技，PresentAgent从文本到演讲视频
联合团队提出 PresentAgent，能将长篇文档转化为带解说演示视频。采用模块化流程，还引入 PresentEval 评估框架。实验显示其接近人类表现，优于现有方案，展现了多模态智能体潜力。
AI视频界变天！Decart发布实时“Sora”，直播/游戏业或遭降维打击
Decart创业公司推出全球首个实时、无限长度的AI视频模型MirageLSD，基于独创LSD技术。其响应低于40毫秒，靠历史增强等技术攻克难题。它不止用于特效，平台将持续升级，创始人目标是打造‘千亿级独角兽’。
一键实现PPT演讲自由！「解说音频+视频」同步生成，效果逼近真人
澳大利亚与英国研究人员提出文档到演示视频生成任务，推出PresentAgent系统。它能将长文档转为带语音和同步幻灯片的视频，流程可控且适应多领域。实验显示其生成视频接近人类表现，还设计了双路径评估策略。