搜索：视觉-语言-行动模型

「视觉-语言-行动模型」共找到 1731 篇相关文章

能识图、看视频，也能理解软件界面：蚂蚁百灵开源Ling-3.0-flash-VL

本文介绍蚂蚁百灵开源的多模态大模型Ling-3.0-flash-VL，该模型采用稀疏混合专家架构，支持图片、视频、软件界面理解，可将视觉信息用于推理与任务执行，开放权重采用MIT许可证供开发者部署测试。

北京通用人工智能研究院语言交互实验室提出原生并行推理器NPR，它有「自蒸馏 + 并行强化学习」三阶段训练范式，配套并行推理引擎，让并行推理成模型原生认知能力，还介绍了其具体实现、实验结论等。

文章介绍谷歌开源的轻量级命令行工具 OSV - Scanner，它能扫描项目依赖中的已知安全漏洞，连接项目依赖与 OSV.dev 数据库。支持多语言、多包管理器，有多种功能，可离线使用，还能提供修复建议和许可证扫描。

OpenAI CEO Sam Altman 亲自发布 ChatGPT Images 2.0，这是该公司迄今功能最强的图像生成模型。它有思考能力，可直出 8 张连贯图片，支持多语言、多种画幅与分辨率，能精准执行复杂指令，直接商用也没问题。

多邻国曾是 AI 转型标杆，股价一度暴涨，但近一年暴跌 80%。创始人 Luis von Ahn 表示不裁员，曾将 AI 应用纳入考核又取消，分享员工用 AI 开发课程案例，还谈了 AI 局限、对行业影响及公司应对策略。

随着OpenClaw等高权限智能体应用爆发，AI自主性与失控的赛博博弈开启。文章从源头对齐、边界重构、结果保障三个维度，拆解适应智能体自主行动时代的新型安全框架，为开发者提供生存指南。

谷歌发布的TurboQuant论文引发市场震动，其算法可将大语言模型推理的KV缓存大幅压缩并加速。但将其视为绕过‘内存墙’判断过度，它提升单位字节信息密度，改变边际需求曲线，代表范式转移。

Claude新发更新，可通过Computer use纯视觉方案操控电脑，还更新了远程操控Dispatch。这俩功能组合让Claude能操控微信等本地软件，使用简单，且权限管控和防护较好，更新速度快，领先同类产品。

Google发布Gemini Embedding 2，首个原生多模态嵌入模型。能处理文本、图像等多种媒体类型，支持交错输入，覆盖超100种语言。与多模型串联方案比，延迟降70%、召回率升20%。已可在Gemini API等使用。

本文对话 Seede AI 创始人 Longyi，探讨 AI 设计产品发展。Seede AI 主打将原始素材转化为可交付设计稿，易上手、受众广。创始人认为不转向 AI - Native 没救，产品已跑通 PMF，目标是帮人类理解 Agent 产出内容。