「多模态DiT架构」共找到 2596 篇相关文章
从VLA到RoboOmni，全模态具身新范式让机器人察言观色、听懂话外音
复旦大学等联合推出全模态端到端操作大模型RoboOmni，统一多模态，实现动作与语音协同控制。它重新定义机器人交互范式，让机器人具备“察言观色”能力，还构建了OmniAction数据集，实验表现全面领先。
张小珺对话李想：3小时长谈总结（AI、VLA与组织进化）
张小珺半年前与李想3小时长谈，围绕AI展开多话题探讨。李想认为AI应成生产工具，赞赏DeepSeek，还分享VLA架构、理想终局规划，提出管理心法，思考AI与人关系。
首个基于MCP 的 RAG 框架：UltraRAG 2.0用几十行代码实现高性能RAG， 拒绝冗长工程实现
检索增强生成系统（RAG）复杂度提升，工程实现成本高。清华大学等联合推出首个基于MCP架构的UltraRAG 2.0，组件化封装、调用扩展灵活，低代码实现高性能，可用于科研和行业应用。
GPT-5 之后，我们离 AGI 更近了，还是更远了？
2025年8月8日OpenAI发布GPT-5，架构有革新，在基准测试成绩优异，但跑分现场PPT出错、被Grok 4击败。它在编程表现出色、价格有竞争力，写作能力有争议，模型幻觉和提示注入攻击问题待解。
AI 视频制作也接近了 GPT 时刻
AI产品有可用性易用性临界点，跨过该点即GPT时刻。纳米AI让AI视频接近此时刻，普通人用简单提示词就能做视频，其超级搜索基于多智能体架构，像小视频团队分工工作。
直击CVPR现场：中国玩家展商面前人从众，腾讯40+篇接收论文亮眼
CVPR 2025落下帷幕，中国企业参与规模创纪录，腾讯40+篇接收论文亮眼。多模态、3D生成是热门方向，高斯泼溅技术成亮点。企业探讨主题拓展至产业应用，腾讯投入大，借顶会展示实力、吸引人才。
谷歌研究院探索多智能体协调的扩展原则
谷歌研究院对180种智能体配置对照评估，得出‘AI智能体系统首批定量扩展原则’。发现多智能体协同效果因任务而异，还指出工具使用瓶颈等问题，且开发预测模型辅助架构选择。
清华联手千问重塑归一化范式，让 Transformer 回归「深度」学习
Pre - Norm和Post - Norm是Transformer架构中稳定信号流的关键范式，但面临权衡取舍。近日，清华黄高团队联合千问团队提出SiameseNorm，构建参数共享的平行通路，实现稳定训练并提升性能。
DeepSeek又拿第一！首创「因果流」视觉推理，超越Gemini
DeepSeek开源DeepSeek - OCR2，引入DeepEncoder V2视觉编码器，打破传统模型扫描限制，模仿人类视觉「因果流」逻辑。它解决了传统VLM忽略图像语义结构问题，在多项测试中表现出色，还验证了「LLM作为视觉编码器」可行性。
Transformers v5 中的分词系统：更简洁、更清晰、更模块化
文章聚焦 Transformers v5 分词系统，介绍分词概念、流程、主流算法，对比 transformers 和 tokenizers 库。着重讲 v5 改进，如架构与词表分离，解决 v4 黑盒问题，还能从零训练专属分词器。