搜索：多模态理解与生成

「多模态理解与生成」共找到 3419 篇相关文章

汤道生：腾讯持续加大 AI 投入力度，各项业务全面拥抱 AI

腾讯集团汤道生在 5 月 21 日峰会表示，生成式 AI 可用性质变，腾讯会加大投入，业务全面拥抱 AI。还提出‘四个加速’打造‘好用的 AI’，并介绍混元大模型、智能体等应用成果。

藏师傅社交卡片 Skill 重磅更新，新增 Live Photo 生成和编辑能力，可处理产品录屏等素材。介绍了能做的卡片类型、使用方法、适用场景，还提及制作细节及 Live Photo 的价值和安装更新方式。

AI 时代，Agent 产品虽强但普通用户使用门槛高。本文详细介绍腾讯 Marvis，它能让 AI 直接理解电脑，可执行多项任务。作者实测 6 个任务展示其功能，认为它是面向普通用户的系统级 AI 管家。

4月30日DeepSeek发布多模态论文，核心是“视觉原语”，让模型边推理边输出坐标。它是七大coding agent玩家中最后接入视觉的，但补课方式反共识，不堆分辨率堆指代精度，效率高，拓扑推理成绩领先。

Anthropic为Claude生成文本添加隐藏水印，引发争议。很快有开源项目可去除Claude、Gemini、OpenAI水印，获11k Star，但Claude拒绝安装。反对与支持水印者观点不一，双方展开猫鼠游戏。

信息碎片化时代，last30days开源AI工具聚合各平台“人群智慧”，按真实人群参与度打分合成摘要。它能搜索多平台，v3版有智能搜索等新功能，输出HTML摘要，优点多且易上手。

谷歌发布Gemini 2.5 Flash原生音频模型，可保留语调进行实时语音翻译，实现拟人化交互。还具持续监听、风格迁移等功能，提升开发者所需的函数调用、指令遵循等能力，另有实验产品Disco。

首个开源多模态Deep Research Agent登场，整合多种工具并优化决策。其WebWatcher技术方案覆盖全链路，实验中在四大核心领域领先主流模型，展现复杂推理和信息检索实力。

本文提出LiveRepoReflection基准，评估多文件仓库代码理解和生成能力，含1888个测试案例。创建RepoReflection - Instruct数据集训练RepoReflectionCoder，评估40多个LLMs，结果显示其能有效测模型反思修复能力。

网友爆料何恺明加入谷歌，经确认他以兼职形式成为谷歌DeepMind杰出科学家。可根据其近期研究推测研究方向，他还探讨生成模型能否走向端到端。何恺明履历辉煌，成果众多。