「多模态视觉理解模型」共找到 1933 篇相关文章
首个时空时序推理框架：让大模型真正读懂时空数据 | ACL'26
STReasoner是首个结合时间序列、空间结构和自然语言的推理模型，能识别异常源、追踪影响路径。研究团队构建数据生成框架和评测基准，采用三阶段训练策略，模型在多任务表现优，成本低且泛化能力强。
RAG搜对了却答错？德国萨尔大学找到了真相丨ACL'26
RAG是大模型落地标配技术，但存在搜到文档却答错的痛点。德国萨尔大学等团队提出Disco - RAG框架，在‘搜’和‘答’间加入‘读懂’环节，已被ACL 2026主会录用，在多基准测试表现优异。
The Batch: 943｜液体和气体如何运动
传统数值方法模拟复杂物理系统慢且贵，基于机器学习的模拟通常只适用于特定系统。研究人员构建通用 transformer 模型 Walrus，可模拟流体运动，开源且在多方面表现出色，有望加速多领域模拟工作。
李飞飞World Labs双模齐发，能「造」超复杂大场景，一手实测
李飞飞的 World Labs 推出 Marble 1.1 和 Marble 1.1-Plus 两款模型。Marble 1.1 提升视觉效果，Marble 1.1-Plus 能生成更大更复杂场景。官方建议初用选 Marble 1.1，创建大场景用 1.1-Plus，还给出了实测和网友案例。
The Batch：927｜极速扩散学习
研究表明扩散图像生成器学习重建预训练编码器嵌入可加快训练，Apple团队提出的FAE，通过缩小嵌入再重建解决了因嵌入尺寸大导致的训练受阻问题，性能与先进模型相当且训练更快。
被美国遣返、禁止入境 5 年，他在温哥华的卧室里做出了日处理 400 万工作流的 AI 平台
Gumloop联合创始人兼CEO Max Brodeur - Urbas，曾被美国遣返并禁入5年，他批判AI营销泡沫，认为应‘AI加持而非替代’，强调21 - 23岁创业窗口期，还分享了创业历程与AI使用见解。
在「想象」中练就真机能力：RISE，让VLA强化学习告别真机试错
香港大学李弘扬老师团队提出 RISE 框架，通过组合式世界模型让机器人在虚拟空间强化学习，解决传统 VLA 模型落地难题，在长程任务中性能提升显著，重新定义智能体理解世界的方式。
第三个软件黄金时代来了！软件工程宗师、70 岁 UML 之父发声：AI 自动化被严重夸大，Dario Amodei 又越界了
软件工程宗师、UML 之父 Grady Booch 在播客分享对计算领域三次‘黄金时代’理解，直言 Anthropic CEO Dario Amodei‘软件工程将 12 个月内自动化’判断错误，强调工具虽变但软件工程难题未消失。
童年的滚球兽「走进」现实？华为天才少年创业，全球首个虚实融合的实时交互视频模型来了
Xmax AI 推出全球首个虚实融合实时交互视频模型 X1，通过手机摄像头实现虚拟与现实融合。它有四大玩法，操作简单。但面临多技术挑战，Xmax AI 团队实力强，给出硬核技术方案，愿景是让 AI 融入生活。
Gemini 3「开眼」像素级操控！谷歌回应DeepSeek-OCR2
Google DeepMind为Gemini 3 Flash推出Agentic Vision，让模型主动编代码操控图像，性能提升5% - 10%。该能力已上线，谷歌还计划扩展功能。这或许是受DeepSeek-OCR2刺激，两者技术路线不同。