「多模态理解与生成」共找到 3417 篇相关文章
让AI像人类一样认知真实世界！UCLA谷歌强强联手，长时记忆+3D空间理解超越基线16.5%
如何让AI在3D环境中像人类一样思考，是具身智能领域难题。UCLA与谷歌团队带来3DLLM - MEM模型与3DMEM - BENCH基准，让AI有构建、维护和利用长时记忆能力，实验超基线16.5%，但有依赖模拟器预设的局限。
为什么自监督永远学不到语义？
《Visual Language Hypothesis》论文用纤维丛理论审视视觉表征学习，指出只做连续变换难触达语义。分析现有无监督学习不足，提出“Expand - and - Snap”机制，还通过实验验证，提供审视AI架构新视角。
sglang 源码学习笔记（二）- backend & forward 过程
本文深入解析sglang forward核心实现全流程，介绍了forward传递过程、AttentionBackend数据结构，以flashinfer为例展开分析，还说明了cudaGraphRunner初始化、Capture、Replay过程，助读者理解代码。
Nature报道：谷歌新模型1秒读懂DNA变异！首次统一基因组全任务，性能碾压现有模型
谷歌DeepMind团队推出生物模型AlphaGenome，能从1兆碱基DNA序列中预测数千种功能基因组特征，评估变异效应。它统一多任务，性能超现有模型，是生物领域里程碑，将助力理解疾病。
从被吐槽“套壳中国大模型”到自研封神！首次揭秘Cursor背后极速代码Agent如何对标GPT5.1 Codex，生成效率提4倍
10月29日，Cursor 2.0发布Composer大模型，效率约为其他模型四倍。开发者分享其成极速代码Agent方法，如强化学习、平衡训练与推理负载等，还提及未来方向及研发反思。
AI短剧成了！LibTV-seedance2支持“真人模式”:一手实测，视频闪电直出，效果炸裂
LibTV首发支持Seedance 2.0真人生成视频功能，操作简单严谨。真人出镜可用于虚拟主播、数字分身、角色替换等场景。该工具工作流高效，接入主流模型，价格有优惠。
突然变强！速度翻4倍，GPT Pro惊现「神级」操作，网友怀疑GPT-5.5已就位
OpenAI悄悄完成GPT Pro模型升级，其速度提升、视觉理解能力增强。同时，代号「Spud」的GPT - 5.5已完成预训练，发布在即，AI竞争将更激烈。
Anthropic发布多Agent协作模式指南：5种架构与适用场景
当单个AI Agent无法完成任务时，多Agent系统就派上了用场。Anthropic最新发布的指南给出了五种经过验证的模式，包括生成 - 验证模式、编排 - 子代理模式等，并介绍了适用场景和陷阱。
突发！姚顺雨后，清华95后庞天宇加入腾讯，任混元「首席科学家」
继OpenAI大神姚顺雨之后，95后清华博士庞天宇入职腾讯，任混元首席研究科学家，负责多模态强化学习。腾讯AI战略从跟随转向进攻，人才、技术、架构都有新动作。
ICME专题征稿 | 具身多模态智能：从感知到世界建模
ICME是多媒体领域国际顶级会议，2026年将在泰国曼谷举行。此次专题征稿聚焦具身多模态智能，涵盖多模态感知、世界模型等主题，介绍了投稿详情及联系方式。