「结构化多模态生成引擎」共找到 2636 篇相关文章
5大维度、4类模态：LLM/Agent数据分析技术全景图
文章分享《LLM/Agent-as-Data-Analyst: A Survey》，上交大、清华、微软等将「LLM/Agent 当数据分析师」技术拆成 5 大设计维度与 4 类数据模态，给出 100+ 代表性方法等，还介绍不同数据类型的分析技术。
压缩之外，Visual Tokenizer 也要理解世界？
MiniMax和华中科技大学发布视觉tokenizer新研究VTP，引发业界热议。该研究揭示传统仅以重建为目标的视觉tokenizer缺乏高层语义表示，提出在预训练中引入语义理解，还发现Scaling Law现象，虽有争议但为研究提供新视角。
字节开源多模态复杂文档解析模型！Dolphin：页面与元素并行解析，精准解析复杂文档！
多模态AI与文档解析兴起，传统OCR解析复杂文档常出错。字节跳动开源多模态模型Dolphin，通过两阶段机制精准解析，有多种功能，安装使用友好，适用于多场景，降低了复杂文档解析门槛。
Skill Factory：三天手搓面向Harness设计的技能工厂（附AI coding实践）
作者分享从产品设计到算法落地全流程实践，指出当前做skill两种方式的问题，介绍面向Harness设计的技能工厂，包括生产模式、生态适配、迭代方向，还提及AI coding实践及各工具作用。
把PLC仿真搬进浏览器，小参数模型也能实现高工程通过率
上海交通大学联合Sema研究团队推出SemaPLC，将AI Agent与PLC工程工具链连接，让自然语言需求转化为可编译、验证、仿真的控制程序。它是面向全流程的智能工作台，实验效果优于业界方案。
李飞飞刚立规矩才13天，国产卡上「真物理」就来了！
李飞飞为「世界模型」立规矩13天后，中国「草根」团队Mogo推出全球首个具备高动态物理交互能力的世界模型Magpie 1.0，在国产芯片上实现超10分钟物理一致性，开辟全新技术路径。
MiniMax海螺视频团队首次开源：Tokenizer也具备明确的Scaling Law
MiniMax海螺视频团队首次开源，揭晓视觉分词器难题答案。其推出的VTP框架可提升模型性能，解决传统Tokenizer缺陷，还展示了Tokenizer的Scaling Law，为行业提供新路径。
GraphRAG，这次被G-Reasoner统一了
大语言模型在知识密集型任务中存在局限，GraphRAG 也有迁移难题。G - Reasoner 提出统一框架，含 QuadGraph、GFM、LLM 增强推理模块，在性能、泛化、效率上全面领先现有方法。
创智刘鹏飞、Sand.ai曹越，两大AI青年学者团队联手，开源音视频基座模型
开源多模态生成领域获架构级底层突破。上海创智学院与 Sand.ai 联合研发的 daVinci - MagiHuman 正式开源，打破开源界音视频联合同步生成三重局限。它采用单流 Transformer 架构，能力强、推理效率高。
Google开源Workspace CLI，让AI在终端操作办公全家桶
Google开源Workspace CLI项目，把全套办公工具装进命令行。它动态构建命令结构，输出为结构化JSON。内置超100个Agent Skills，支持多MCP客户端，认证灵活，还集成Gemini CLI扩展。