搜索：多模态视觉语言模型

「多模态视觉语言模型」共找到 2255 篇相关文章

一键实现PPT演讲自由！「解说音频+视频」同步生成，效果逼近真人

澳大利亚与英国研究人员提出文档到演示视频生成任务，推出PresentAgent系统。它能将长文档转为带语音和同步幻灯片的视频，流程可控且适应多领域。实验显示其生成视频接近人类表现，还设计了双路径评估策略。

2023年以来大模型战场由decoder - only架构主导，Google双线出击。T5Gemma重燃encoder - decoder架构战火，性能提升显著；MedGemma坚守decoder - only路线，强攻医疗多模态，击穿闭源壁垒，打响开源反击战。

腾讯AI Lab梁振文和宋林峰提出“解耦推理与证明”框架，解决当前大语言模型在自动化定理证明领域“思考”与“证明”能力失衡问题，成功解决5道IMO难题并开源成果。

今天凌晨，谷歌在官网开源AI Agent框架Gemini CLI，将Gemini大模型融入终端。它能调用视频和图像模型，集成MCP、谷歌搜索等功能，还集成超强编码助手，刚开源就在Github超9000颗星。

浙江大学一篇综述论文《A Comprehensive Survey of Deep Research》系统性梳理了Deep Research赛道。它是一类AI系统，其背后的Agent范式可迁移到各场景，文章介绍了其技术、架构、应用及面临的挑战与未来方向。

在AI信息检索领域，传统RAG系统难处理复杂文档。港大数据智能实验室开源RAG - Anything，可提供端到端解决方案，能多格式解析、构建知识图谱和混合检索，优势显著。

印度 Sarvam AI 发布国家级模型 Sarvam - M，虽被赞为本土 AI 研究突破，支持 10 种印度本地语言，但上线两天仅 334 次下载，投资人批评其成果‘令人尴尬’，引发社区激烈争论。

浙江大学团队论文指出，多AI协作系统存在“群体思维”，多个AI共同决策时会盲目跟多数意见。研究者开发BenchForm测试平台验证LLM从众行为，还分析原因、给出让LLM更独立的方法，指出从众利弊及未来挑战。

近年来，世界模型成视觉 AI 重要研究方向。兔展智能联合研发的 UniWorld - View 登顶 WorldScore 榜单，完成昇腾算力适配与开源。它聚焦让 AI 理解未拍摄世界，解决了诸多技术难题。

网友发现把Fable 5上下文转成图片，让模型通过OCR读取，token输入成本最多省70%。方法pxpipe在GitHub获3000+STAR，本质是本地代理，还引出谷歌老论文及DeepSeek - OCR相关技术。