搜索：多模态通用智能

「多模态通用智能」共找到 4556 篇相关文章

字节最强多模态模型登陆火山引擎！Seed1.5-VL靠20B激活参数狂揽38项SOTA

5月13日，火山引擎在上海发布5款模型和产品，其中豆包1.5・视觉深度思考模型（Seed1.5-VL）最吸睛。它激活参数20B，性能与Gemini2.5 Pro相当，38个评测基准达SOTA，推理成本低，已开放API。

IDEA团队张磊团队提出OVSeg3R开集3D实例分割学习新范式。它无需人工后处理和3D掩码标注，降低训练成本，有望让3D实例分割商业落地，可用于自动驾驶、智能家居等领域。

光轮智能联合创始人杨海波表示，AI发展让合成数据需求增大。该公司为具身智能行业提供3D合成数据，服务众多头部企业。其优势在于技术视野与路径独特，强调物理交互、人类示范等。还谈及创业要点与AI赛道变化。

Sora2下载量破百万引发AI视频生成热潮，谷歌推出Veo3.1再掀高潮。国外大厂将其卷至电影制作级创意，国内企业追求高质量、秒级生成并落地垂直场景。量子位智库发布的产品呈现多维度技术演进。

中国力学学会旗舰期刊AMS推出“力学前沿”专栏，首期解读“计算力学的智能化之路与未来图景”。文章介绍智能计算力学三大范式、面临挑战，还阐述重塑智能框架前沿方向，指出AI与计算力学融合是系统性重构。

在新智元十年峰会上，NVIDIA副总裁赖俊杰揭示公司下一个十年战略核心——物理AI，它是继生成式AI和智能体AI后的下一波浪潮。物理AI与现实物理世界交互，但面临诸多挑战，英伟达为此开源Cosmos世界基础模型。

字节开源新型多模态模型Dolphin，采用“先分析后解析”范式，能将复杂文档图像转化为结构化数据。它有卓越性能和多种特性，还提供安装、推理使用指南。

本文来自复旦大学和阿里巴巴未来生活实验室，已中稿 ICLR 2026。目前视觉推理方法有纯文本和用图思考两种模式，各有优劣。研究者提出 Mixture-of-Visual-Thoughts 范式及 AdaVaR 框架、AdaGRPO 算法，让模型自适应选模式，实验显示其在多任务有提升。

港科大、港中文、清华和快手可灵团队提出全新视觉框架UnityVideo，统一训练多种视觉模态，让模型更懂物理规律，视频生成更真实可控，还实现零样本泛化，在多任务表现优异。

本文是对《未来之地》《超级智能》作者 Nick Bostrom 的访谈。他探讨了人工智能发展到解决一切问题的“已解决世界”时人类面临的意义危机，如失去目标、工作冗余等，也提及应对伦理挑战、寻找新意义等观点。