「多模态任务」共找到 2687 篇相关文章
DeepSeek 硬核开源 DeepSeek-OCR-2！弃用 CLIP 改用 Qwen，创新视觉因果流！
昨天开源社区热闹非凡，Kimi 发布 K2.5，DeepSeek 则推出 DeepSeek - OCR - 2，用 LLM 架构替换传统 CLIP 视觉编码器。它核心创新是视觉因果流，能智能规划阅读路径，性能高效且全量开源。
NotebookLM 平替来了：开源自托管的 Open Notebook，把资料留在自己电脑里
Open Notebook 是开源自托管项目，是 NotebookLM 平替。它解决了资料隐私、模型选择、可扩展性问题，有多种实用功能，提供两种 5 分钟上手方式，适合资料敏感、折腾模型及程序员等人群。
MIT这篇RLM论文，给出了Scaling的另一种可能~
当大家普遍认为解决长上下文问题要靠扩大模型上下文窗口时，MIT 最新的 RLM 论文提出新路径。其 code 已开源，能实现无界上下文处理，可让任意大语言模型处理 10 万 +token。
北航领衔发布300页代码智能综述：从基础模型到智能体，一次读懂Code LLM全景图
北航领衔联合近30家机构撰写《From Code Foundation Models to Agents and Applications》，系统梳理代码智能领域，串联模型、任务等成完整技术链路，还通过实验等给出实践指南。
Llama 4造假丑闻幕后：小扎豪赌143亿，却为中国AI「做了嫁衣」
Meta的Llama 4评测性能造假，OpenAI算力计划引恐慌，全球AI发展陷入困境。中国AI力量爆发，如DeepSeek、MiniMax等，以强大性能、高性价比和商业可持续性满足全球需求，在国际舞台崭露头角。
打造图像编辑领域的ImageNet？苹果用Nano Banana开源了一个超大数据集
苹果研究团队提出Pico - Banana - 400K数据集，基于Nano - Banana在OpenImages实拍照片生成编辑对。其系统化设计保证质量与多样性，还构建自我编辑评估流程，为图像编辑模型训练评测奠定基础。
解放双手！开源 AI 桌面智能体
桌面智能体Bytebot是拥有专属计算机的人工智能，有完整虚拟桌面。它能使用任意应用、处理文档等。赋予AI独立计算机可解锁新能力，项目地址为https://github.com/bytebot-ai/bytebot。
刚刚，谷歌发布机器人最新「大脑」模型！思考能力SOTA，还能「跨物种」学习
谷歌旗下DeepMind发布Gemini Robotics 1.5系列模型，包括Gemini Robotics 1.5和Gemini Robotics - ER 1.5，能让机器人学会‘思考’，还可跨具身形态学习技能，有望开启通用机器人新时代。
Claude for Chrome来了！可作为浏览器扩展程序直接使用
Anthropic发布浏览器agent Claude for Chrome，可作Chrome扩展程序使用，能设日历、回邮件等。目前仅向1000名Max套餐用户开放，因使用浏览器的AI有安全挑战。AI浏览器成巨头争夺战场。
浙大打造全球最大类脑计算机，拥有20亿个神经元，接近猕猴大脑规模，能运行DeepSeek
浙江大学脑机智能全国重点实验室发布全球规模最大类脑计算机“Darwin Monkey（悟空）”，用Darwin 3芯片构建，有超20亿脉冲神经元与1000亿突触连接，逼近猕猴大脑规模，能运行DeepSeek等应用。