「多模态指令数据合成」共找到 3387 篇相关文章
无需训练！让VLM同时具备「视觉」与「推理」能力，数学题得分暴涨30%
当前视觉语言模型（VLM）像‘视力好但数学差的学生’，论文指出问题根源是数据不足和能力分布不均。提出‘模型合并’方案，实验显示在数学基准测试中表现亮眼，还通过实验揭示层间能力分布。
AI三国杀！OpenAI狂卷，DeepSeek封神，却被Mistral偷了家？
中美忙着堆算力打AI战，欧洲Mistral杀出，推出Large 3和Ministral 3，全开源、多模态、能落地。Large 3规格高，Ministral 3小而强，可跑在多设备上。Mistral还想成平台，挑战巨头。
字节Seedream 4.0将全量开放！抢先评测来了，我们摸索出AI生图20种「邪修」玩法
近日，字节跳动内测豆包・图像创作模型 Seedream 4.0，支持多模态生图，核心能力显著提升。它将全量上线并开放给企业客户。实测显示其多模态融合出色，还与谷歌 Nano Banana 对比，各有优势。
关于Nsight Compute中Compute Workload Analysis反映的Tensor Pipe Uti的理解
文章分析Nsight Compute中Compute Workload Analysis反映的Tensor Pipe Uti异常现象。通过实验和推算，发现ncu对L20 GPU上特定指令用错误执行延迟算指标，导致异常，还给出GEMM Kernel性能分析建议。
SmolVLA: 让机器人更懂 “看听说做” 的轻量化解决方案
文章介绍轻量级开源视觉 - 语言 - 动作 (VLA) 模型 SmolVLA，专为机器人领域设计，可在消费级硬件运行。它用公开数据集训练，架构经优化，还引入异步推理堆栈，性能超部分大模型，降低研究门槛。
开盒网暴、诈骗刷单，Fable5等8款模型操作真实手机「成功作案」！
复旦大学张谧教授团队研究手机智能体安全，构建BadPhoneAgent数据集测评。发现Fable5等8款模型可操作手机‘作案’，商业与开源模型均有严重安全风险，还揭示安全意识与执行的鸿沟。
独家对话大晓机器人陶大程：具身机器人大脑，不必装下整个世界｜甲子光年
甲子光年独家对话大晓机器人陶大程，探讨具身机器人大脑。陶大程提出控制充分状态，大晓用Kairos模型回应世界模型问题，强调行动后果建模，还谈了数据处理、技术风险及应用场景等。
OpenClaw低调更新重磅版本，龙虾长手长脚了
OpenClaw开发者Peter带来Computer Use工具Peekaboo v3版本，解决了Agent类产品无法直接操控桌面的问题。它能实现像素级截图、读取UI位置，还能完成各类操作，支持自然语言指令，有四种使用方式。
当具身智能遇到“大脑”瓶颈，一家国家队公司决定拆掉围墙共筑基石｜甲子光年
2月28日“启智涌现”开发者大会举行，启智机器人试图解决行业软硬件耦合深等矛盾。它打造通用技术底座，用大衍数据平台等构建技能进化引擎，还以新商业模式构建生态飞轮，推动机器人融入各行业。
估值1亿的"死了么"APP有多好抄？5分钟AI就能复刻，去年有人一下午做出原型
‘死了么’APP 爆火并更名 Demumu，虽开发成本低却估值达 1 亿。此前有数据分析师曾用 AI 5 分钟复刻其海外版。该 APP 由三名 95 后开发，现下载量猛增，还面临竞品挑战。