「多语言能力」共找到 6954 篇相关文章
VLM会描述视频，却未必用对参考图：RefCaptioner让参考图与视频语义精准对应
多模态大模型处理多参考图与视频对应关系能力不足。为此提出 RefCaptioner，强化模型对参考图识别感应能力、优化输出格式与奖励函数；还构建 MRVBench 评测基准，实验显示其表现优异。
AI 驱动的智能异常处置：从异常发现到根因定位
在 2025 年 QCon 全球软件开发大会（北京站）上，阿里云算法专家张颖莹分享《AI 驱动的智能异常处置：从异常发现到根因定位》。她介绍阿里云计算平台运维挑战，给出算法选型与设计思路，还提及后续平台建设规划。
Nano Banana Pro或将引爆新安全危机
基于Gemini 3的图像生成模型Nano Banana Pro昨日上线，支持2K/4K分辨率生成，排版和文字控制能力提升。它展现出复杂推理能力，能理解反光、推理指纹，但这或带来隐私危机。
会“思考”的目标检测模型来了！IDEA提出Rex-Thinker：基于思维链的指代物体检测模型，准确率+可解释性双突破
现有目标检测方法有决策不透明和拒识能力不足问题。IDEA提出Rex - Thinker，引入“逻辑推理链”，构建可解释推理框架，经两阶段训练，在测评中准确率提升，可解释性强，有良好泛化能力。
百文心快码正式发布AI IDE，首创设计稿一键转代码、支持MCP
6月23日，百度副总裁陈洋发布文心快码独立AI原生开发环境工具Comate AI IDE，是行业首个多模态、多智能体协同的AI IDE，首创设计稿一键转代码，亮点多、功能强，适配开发场景。
告别先开发后治理：Agent 驱动的数据质量一体化交付
文章指出离线数据开发中数据质量建设面临开发与治理分离的困境，如治理滞后、迭代不同步等。DataWorks引入Data Contracts理念，以YAML Spec形式将质量规则嵌入开发流程，还可借助Agent配置规则，未来将多引擎覆盖、降低门槛并融入IDE。
用AI把一段视频变成可视化网页，Google的新模型又卷飞了。
Google将Gemini 2.5 Pro更新为05 - 06版，此版代码能力在WebDev Arena盲测竞技场登顶，还提升视频理解能力，可将视频变成可视化网页，虽产品有不足，但模型进步值得肯定。
DeepSeek Harness和V4 Pro正式版同时重磅上线，一手实测：DSH更像是AI操作系统
DeepSeek V4 Pro正式版0813上线，升级Agent能力，网页、API、app皆可用。DeepSeek Harness亮相并开源，基于“一切皆插件”理念。V4 Pro跑分部分能力突出但价格将涨，其实际表现待更多测试。
开源 AI 视频平台
开源 AI 视频平台集成剪辑生成器、AI 短视频、YouTube 工作室三大工具，能将长视频转短视频，为业务生成营销视频，还具备免费 YouTube 工具包。支持多平台发布，自托管永久免费。
爆火「开源投资框架」，AI时代的伯克希尔
AI投资虽火但常给出正确废话，AI Berkshire爆火，兼容Claude Code和OpenAI Codex，有18个Skill。它将四位投资大师方法论抽象成流程，通过多Agent协作完成投研闭环，还有强制给结论等特点。