「VLM多模态理解能力」共找到 1579 篇相关文章
比「小龙虾」更能打，中国AI视频大模型悄悄登顶全球第一
昆仑万维旗下 SkyReels-V4 Preview 版在权威评测平台超越 OpenAI、Google 等模型，登顶全球第一。它提升语义理解和逻辑能力，新增参考任务，还支持多语言短剧生成、视频编辑等，将在中关村论坛亮相。
ICLR 2026 | LongHorizonUI：让 GUI 智能体不再"半途而废"——面向长链路任务的统一鲁棒自动化框架
近年来，基于多模态大语言模型的GUI智能体在自动化操作上虽有进展，但任务步数超10 - 15步时成功率断崖下跌。研究人员提出LongHorizonUI框架，构建LongGUIBench评测基准，推动GUI自动化在复杂场景落地。
给GUI Agent装上「世界模型」：阿里通义用混合数据+统一思维链，让模型学会预判屏幕变化
伴随多模态大模型发展，GUI Agent成人机交互新范式，但构建高可用、跨平台的GUI Agent面临诸多挑战。阿里通义实验室开源Mobile - Agent - v3.5框架及GUI - Owl - 1.5模型家族，解决了相关技术壁垒。
上海一群青年，造了个学术版OpenClaw
上海科学智能研究院联合复旦大学发布超级科研合伙人“大圣”，它是面向科学探索的高能动性智能体。能在生命、地球、人文等多领域发挥作用，其研发涉及多模态模型、群体记忆架构等核心技术，还介绍了相关赛事。
Seedance 2.0刷屏后，字节还有个硬核模型——3个复杂任务实测Seed 2.0
作者作为AI编程工具深度用户，没追热门的Seedance 2.0，而是实测同期发布的豆包大模型Seed 2.0。设计3个日常复杂任务，在TRAE接入其Pro版测试，展现出强大的自主纠错和多任务处理能力，也指出了不足。
在参与OpenAI、Google、Amazon的50个AI项目后，他们总结出了大多数AI产品失败的原因
Aishwarya Naresh Reganti和Kiriti Badam参与超50个AI项目后，指出多数AI产品失败。他们认为构建成本降低，但设计和明确痛点才是关键，还分享开发陷阱、成功路径，介绍CC/CD框架及AI未来走向。
这个真人版《火影忍者》竟然是AI做的，来自中国AI视频新王者Vidu Q3
开年国产AI竞争激烈，AI视频生成圈新出全球首个支持16秒音视频直出的Vidu Q3。它能全自动生成，语言支持多语种，经权威认证排名中国第一、全球第二，可实现图生和文生音视频，提升了AI视频生成能力。
2026 初的大模型，离电影 Her 还有多远？
作者重看电影《Her》后，对比 2026 年初现实 AI 与电影中萨曼莎的能力，从七个维度分析差距。指出功能性上已接近，但存在性层面差距大，还探讨了 AI 发展趋势与存在意义。
智能体「卷王」诞生！干活自动配结项报告，1.5张截图就把事说清了
在LLM/VLM驱动的智能体强化学习研究中，验证完成度是挑战。为此提出SmartSnap方法，让智能体成“质检员”，主动留痕存证。它有三大突破，表现惊艳，简化训练准备，让AI更可靠。
人类记忆 vs 大模型记忆，到底差在哪？
这篇发表于 2025 年 10 月《Trends in Cognitive Sciences》的文章，探讨用人类“情景记忆”研究成果改进记忆增强型大语言模型。指出现有 AI 记忆系统存用数据低效，呼吁构建“类人情景记忆”AI，还剖析差异并给出评估方法和展望。