「多模态视觉理解模型」共找到 1933 篇相关文章
华为具身大脑一号位创业，用认知科学造世界模型，获亿元级融资
2026年世界模型成AI热门，资本人才汇聚让AI理解物理世界。具脑磐石获亿元融资，由曾任华为云AI算法创新Lab主任的朱森华创立，用认知神经科学重做机器人脑模型，构建认知世界模型。
帮大家总结了一下凌晨的Google I/O 2026开发者大会。
本文总结Google I/O 2026开发者大会成果，涵盖AI模型、产品、Agent系统、视觉生成、搜索、电商等多领域。如推出Gemini 3.5 Flash，升级产品功能，发布新Agent系统，推进电商协议，还有科研成果与硬件更新。
CVPR 2026 | 谷歌DeepMind重磅开源多模态TIPSv2：实现Patch-Text对齐的最优表现
谷歌DeepMind推出多模态TIPSv2，解决图像块与文本嵌入对齐难题。它有三大核心技术创新，在9项任务和20个数据集表现出色，特征图优势显著，且配套生态完善，为AGI预训练指明方向。
比「小龙虾」更能打，中国AI视频大模型悄悄登顶全球第一
昆仑万维旗下 SkyReels-V4 Preview 版在权威评测平台超越 OpenAI、Google 等模型，登顶全球第一。它提升语义理解和逻辑能力，新增参考任务，还支持多语言短剧生成、视频编辑等，将在中关村论坛亮相。
1.4亿宝可梦玩家，都在给AI免费打工…
1.4亿《精灵宝可梦Go》玩家10年拍300亿张实景图，为Niantic免费收集数据。Niantic用此数据训练VPS视觉定位系统，提升机器人配送效率，还获巨额投资，剥离游戏业务专注空间AI。
ICLR 2026 | LongHorizonUI：让 GUI 智能体不再"半途而废"——面向长链路任务的统一鲁棒自动化框架
近年来，基于多模态大语言模型的GUI智能体在自动化操作上虽有进展，但任务步数超10 - 15步时成功率断崖下跌。研究人员提出LongHorizonUI框架，构建LongGUIBench评测基准，推动GUI自动化在复杂场景落地。
给GUI Agent装上「世界模型」：阿里通义用混合数据+统一思维链，让模型学会预判屏幕变化
伴随多模态大模型发展，GUI Agent成人机交互新范式，但构建高可用、跨平台的GUI Agent面临诸多挑战。阿里通义实验室开源Mobile - Agent - v3.5框架及GUI - Owl - 1.5模型家族，解决了相关技术壁垒。
上海一群青年，造了个学术版OpenClaw
上海科学智能研究院联合复旦大学发布超级科研合伙人“大圣”，它是面向科学探索的高能动性智能体。能在生命、地球、人文等多领域发挥作用，其研发涉及多模态模型、群体记忆架构等核心技术，还介绍了相关赛事。
Seedance 2.0刷屏后，字节还有个硬核模型——3个复杂任务实测Seed 2.0
作者作为AI编程工具深度用户，没追热门的Seedance 2.0，而是实测同期发布的豆包大模型Seed 2.0。设计3个日常复杂任务，在TRAE接入其Pro版测试，展现出强大的自主纠错和多任务处理能力，也指出了不足。
从宁波到登陆港交所，“边缘AI芯片第一股”的突围之路
2月10日，爱芯元智登陆港交所，被誉为“中国边缘AI芯片第一股”。它以“混合精度NPU”与“AI - ISP”为核心技术，构建产品矩阵。营收增长强劲，客户基础拓宽，应用领域广泛，在行业中排名靠前，但也面临挑战。