「多模态理解」共找到 1549 篇相关文章
NeurIPS 2025 Spotlight | FSDrive统一VLA和世界模型，推动自动驾驶迈向视觉推理
面向自动驾驶的多模态大模型存在问题，FSDrive提出“时空视觉CoT”，让模型“以图思考”，联合未来场景与感知结果进行可视化推理。该方法在不改动原有MLLM架构前提下激活图像生成能力，实验表现出色。
一周10来个模型被开源，阿里Qwen杀疯了~
阿里通义千问这周开源众多模型，如Qwen3 - Omni、Qwen - Image - Edit等，涉及全模态、图像编辑、安全审核等多领域。各模型能力出色，如Qwen3 - Omni能处理多模态输入，Qwen3 - VL表现超部分闭源模型。
AI视频生成走向“演技生成”时代，生数科技Vidu全球发布Vidu Q2 | 甲子光年
9月25日，生数科技全球上线新一代图生视频大模型Vidu Q2，实现从“视频生成”到“演技生成”跨越。它在表情生成、运镜、语义理解、时长选择等方面有提升，分闪电和大片模式，已在多端上线。
社区供稿 | 开源SOTA：阶跃发布端到端语音大模型Step-Audio 2 mini！
阶跃星辰发布最强开源端到端语音大模型 Step - Audio 2 mini，在多个国际基准测试集获 SOTA 成绩。它统一建模语音理解等，率先支持语音原生 Tool Calling 能力，架构创新，案例展示其多方面强大能力。
KDD 2025 | UoMo来了，首个无线网络流量预测模型，一个框架搞定三类任务
在 ACM KDD 2025 大会上，清华与中国移动联合发布 UoMo，全球首个面向移动网络的通用流量预测模型。它结合扩散模型与 Transformer，能理解地理与人流变化，一个框架搞定三类流量预测任务。
从“写SQL”到“聊数据”：NL2SQL如何用自然语言解锁数据库？
文章阐述NL2SQL技术让非技术背景业务分析师自助查询数据，提升决策效率。介绍其定义、发展历程，剖析核心挑战与解决方案，如模式链接、复杂查询理解、提示词工程等，还提及RAG等技术应用。
是「福尔摩斯」，也是「列文虎克」，智谱把OpenAI藏着掖着的视觉推理能力开源了
智谱开源视觉推理模型 GLM-4.5V，还同步开源桌面助手应用。此模型视觉推理能力强，在图像识别、视频理解、前端复刻、图表处理等多方面表现出色，技术创新使其达开源 SOTA 水平，推动行业注重实用价值。
GLM4.5实测：审美不如R1，全栈还不大可用，别急冲
7月29日智谱开源GLM - 4.5。作者实测发现其在UI设计审美不如R1，生成卡片表现不一，Coding能力勉强及格，全栈代码生成未达可用阈值，存在无多模态能力、上下文窗口短等问题，目前还别急着冲。
Qwen3-Embedding 全揭秘：从技术到服务，打造高效AI产品的关键路径
文章全面揭秘 Qwen3-Embedding，介绍其核心原理、优势、应用场景。还给出在 PAI 和百炼平台的使用方法，含部署、推理、微调等。通过对比实验，凸显其低延迟、低成本特点，未来将成语义理解核心设施。
CUTLASS CuTe GEMM细节分析（二）——TiledCopy与cp.async
文章深入分析TiledCopy，从参数理解、访存连续性等角度展开。介绍Tiler_MN和TiledLayout_TV意义及构造，指出访存连续性影响性能，还说明了基于cp.async构造TiledCopy的要点，如ValLayout选择和Layout限制。