「多模态理解与生成」共找到 3417 篇相关文章
4 天 20K+ Star！VoltAgent 最新开源力作，让 AI 直接掌握各大网站的设计风格！
VoltAgent团队推出新开源项目awesome-design-md，上线4天20K+ Star。它准备50+现成的`DESIGN.md`，从真实网站提取设计系统，让AI按其生成UI，解决开发者用AI写UI的痛点。
世界模型开始做减法？LeCun团队和清华团队给出两种思路
近期，Yann LeCun团队的LeWorldModel用简洁JEPA实现从像素端到端训练世界模型，降复杂度且验证潜在空间物理刻画能力；清华团队的Fast - WAM探讨推理阶段显式生成未来必要性，给出高效替代路径。
CVPR2026 | Streamo：让大模型变成实时流式交互助手
香港浸会大学联合腾讯优图实验室提出 Streamo，将‘何时回答’变为模型预测的 token，通过端到端训练框架把离线视频模型转化为实时流视频助手，还构建 Streamo - Instruct - 465K 数据集，实验效果良好。
谢赛宁REPA得到大幅改进，只需不到4行代码
Adobe Research等团队对REPA展开研究，发现驱动目标表征生成性能的是空间结构而非全局性能。基于此构建iREPA，代码不到4行，能提升REPA收敛速度，在多方面表现出色。
AI Native 的影像公司们，颠覆赛道的机会来了！
文章指出过去50年影像公司通过推动坐标点向「计算」端移动创造商业变量。如今计算突破天花板，带来理解、增强、生成现实三层价值释放，解锁新场景，AI Native影像公司机会巨大。
DeepSeek重磅开源3B OCR模型，一天处理20万页文档！一天内斩获6K标星！
DeepSeek开源3B OCR模型DeepSeek - OCR，参数量仅30亿，单张A100 - 40G一天能处理20万页文档，不到24小时获6K标星。它是视觉压缩引擎，解决大模型处理长文本算力爆炸问题，有诸多技术亮点。
一篇200+文献的视觉强化学习技术最新综述
NUS、浙江大学和香港中文大学对强化学习与视觉智能交叉领域进行系统梳理，归纳200余篇工作为四大主题支柱，剖析算法等进展，提炼关键趋势，还介绍LLM的RL方法、视觉RL阵地等。
Anthropic 反杀 OpenAI，LLM 企业市场新格局
Menlo Ventures 报告显示，Anthropic 超越 OpenAI 成企业 LLM 市场新王者。代码生成成杀手级应用、强化学习成扩展路径、Agent 时代到来支撑其胜利。企业重性能，支出从训练转向推理。
AI又来带货了！字节推出DreamActor-H1自动对齐手势和商品
在电商和数字营销领域，现有框架呈现效果不佳。字节推出DreamActor - H1框架，基于扩散变换器，集成Seaweed - 7B模型，能生成高保真人机交互视频，有效果突破但也存在局限。
斩获20K星！再见PDF排版噩梦，这个开源神器让文档处理爽到飞起！
MinerU是上海人工智能实验室推出的开源数据提取工具，能将多模态文档解析为Markdown，支持精准提取图片、表格、公式，具有多语言支持、高性能等特点，应用场景广泛，还开源免费。