「多模态处理能力」共找到 4430 篇相关文章
DeepSeek视觉原语论文：当所有人在堆图像分辨率时，它在堆「指代精度」！
4月30日DeepSeek发布多模态论文，核心是“视觉原语”，让模型边推理边输出坐标。它是七大coding agent玩家中最后接入视觉的，但补课方式反共识，不堆分辨率堆指代精度，效率高，拓扑推理成绩领先。
YC 专访 OpenClaw 创始人：80% 的 App 将会消失，我们还剩下什么？
YC 深度访谈 OpenClaw 创始人 Peter Steinberger。他本是半退休开发者，因 AI 智能体 Moltı 爆火。他认为 AI 应回硬盘，OpenClaw 能控制设备、处理文件。还谈到机器人雇佣人类、80% App 将消失等观点。
姚顺雨腾讯首篇论文：给AI下半场指路“上下文学习”
姚顺雨入职腾讯后首个成果CL - bench，用来测试大模型“从上下文中学习”能力。研究指出当下模型多依赖“过去”知识，无法适应“当下”学习。评测中，十个前沿模型表现不佳，揭示其真实场景应用缺陷。
一键开关灯！谷歌用扩散模型，将电影级光影控制玩到极致
Google推出LightLab项目，可从单张图像精准控制光影，解决传统光影控制难题。其通过特殊数据集微调扩散模型，让模型学会控制光照，还介绍了方法、后处理流程等，实验显示表现优，有多种应用。
字节Seed新方法！开源8B代码模型：自己筛数据训练自己，同量级SoTA，还能超越百亿级对手
传统code大模型依赖人工筛选数据，成本高、效率低。而Seed - Coder团队让LLM自己筛选数据训练自己，打造8B参数轻量级开源代码模型，性能超百亿级对手，不过也存在通用和数学能力短板。
人才黑洞！UC伯克利系主任都加入A社了
UC伯克利EECS系主任Jelani Nelson暂离大学，加盟Anthropic预训练团队。他算法课播放量超2100万，研究聚焦大规模数据高效处理，这正是A社所需，此前他还在谷歌兼职。
阿里发布首个「音视频实时交互」模型，实现数字人实时视频聊天
阿里发布原生流媒体端到端模型Wan - Streamer v0.1，能实时聆听、观看、思考、说话和响应视频。它在单个Transformer内完成感知等操作，延迟低，具备端到端多模态统一、低延迟等特点。
斯坦福2026 AI指数报告！中美差距已实质性抹平
斯坦福HAI发布2026年度人工智能指数报告，显示中美在顶级大模型性能上差距已实质性抹平。报告还呈现了AI能力进化、算力格局、智能边界、安全监管、人才流动等多方面情况。
AST | 西工大崔榕峰、张伟伟等：基于物理约束与双并行注意力UNet++的高保真度三维机翼流场重构研究
本文针对三维机翼流场重构难题，提出DPAtt - UNet++框架，融合几何隐式编码、多尺度注意力与物理规律约束。实验表明，其重构精度高，预测速度较CFD提升2 - 3个数量级，为飞行器气动分析提供新路径。
5.6K Star！原本付费现在开源！本地版“ElevenLabs”，视频翻译+声音克隆全免费！
今天给大家安利GitHub上开源神器Voice - Pro，它原本是商业付费软件，因团队无暇管理而开源。整合多个先进语音模型，将视频处理流程打包成本地软件，免费且功能强大。