「多模态语音理解大模型」共找到 1766 篇相关文章
模型声称会“脑补”，结果被论文打脸了？潜在空间想象竟是“摆设”！
多模态大模型中“潜在视觉推理”概念很火，研究者让模型在潜在空间“想象”。但清华和北交学者论文指出，潜在 Token 不关心输入、不影响输出、没信息量。作者提出 CapImagine 方案，效果远超潜在空间方法。
对话MossCode：估值1亿美金的AI运动手表，想给用户构建一套「个人运动能力Context」
AI智能运动穿戴赛道正火，MossCode获数千万元天使轮融资，估值达一亿美元。其创始团队背景强大，想打破运动行业「苦难叙事」，用AI理解个体差异，为用户打造更贴合需求的运动手表。
关于中美 AI 竞争的差距，我可能真的说错了
作者因读者反馈，意识到自己对中美AI竞争差距理解不全面。基模能力中国整体落后美国，但部分领域领先。模型能力提升难被多数用户感知，且中美在商业模式、模型开源等方面差异大。
自动化评测的九九归一——评测agent
本文提出统一评测Agent架构，实现评测全链路自动化。它能学习标注标准，完成自动标注等工作。还介绍架构、解耦方法、模型优化及训练方案，解决多模态幻觉等问题，提升机审率，节省标注成本。
蚂蚁开源世界模型LingBot-World：具有分钟级记忆的实时世界模拟器
蚂蚁集团旗下灵波科技开源具身智能模型及世界模型LingBot-World，它将视频生成模型进化成可交互世界模拟器，采用多阶段进化策略，有涌现记忆等能力，虽有不足，但为开源社区构建世界模型迈出坚实一步。
录屏扒代码、截图改网页！Kimi K2.5把「视觉x代码」玩明白了
Moonshot AI推出最强Agentic模型Kimi K2.5，发布后热度起飞。它实现多功能一体化整合，具备设计审美，支持可视化编辑，推出编程工具Kimi Code。在多项测试中表现优异，还能在办公领域发挥作用，其智能体集群提升了效率。
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。
5年博士1年读完，20分钟干完48小时教授工作！这个工具在硅谷火了
新智元报道，Claude Code正重新定义编程。顶级开发者用它写代码，零基础小白10分钟做出App，教授20分钟完成48小时工作量。它理解项目上下文，自动设计、生成、测试代码，普通人用自然语言提需求即可。
硅基大脑记忆觉醒！会遗忘、会反思、会成长的AI正在到来
哈尔滨工业大学等机构团队发表研究，用认知神经科学视角审视AI记忆系统，探讨如何让AI产生“自我”，构建会遗忘、反思、成长的记忆大脑，还涉及记忆分类、存储、管理、评估、防御及未来演进等内容。
分化、新范式、Agent 与全球 AI 竞赛，中国模型主力选手们的 2026 预测
AGI-Next 2026活动聚集众多国内大模型核心人物，「海外独角兽」总结出40条重要判断。涉及模型分化、新范式（自主学习、原生多模态）、Agent、全球AI竞赛等方面内容，对AI未来发展趋势做出探讨。