「多模态数字人」共找到 2200 篇相关文章
硅谷刷屏的ClawdBot，让Mac mini卖爆了！创始人爆料：一人开发、100% AI 写代码，全开源却留 0.00001% 给全网来 hack
个人 AI 助手 ClawdBot 席卷硅谷，网友评价高，项目已开源获 20.8k stars。它几乎 100% 用 AI 写代码，协作方式激进，创始人还留 0.00001% 作为“安全靶子”。其功能强大但有安全隐患，还带火了 Mac Mini。
复旦等推出「第一人称视听基准」，补齐多模态模型「听觉拼图」
多模态大模型在真实世界会“失聪”，现有第一人称视频问答/理解基准长期偏“视觉中心”。复旦等团队推出首个系统评测第一人称声音理解能力的基准EgoSound，能让模型听懂世界，评测显示当前模型与人类差距大。
全球68%科研人压力爆表，高校AI人才集体大逃亡！
高校AI科研「内卷」加剧，经费缩水、压力增大。爱思唯尔数据显示68%科研人发论文压力暴增，面临时间与资源双重困境。杜克大学陈怡然教授分享看法，工业界崛起，高校面临转型。
多模态大模型持续学习系列研究，综述+Benchmark+方法+Codebase一网打尽！
近年来，生成式AI和多模态大模型进展显著，但在动态环境下实现持续学习是挑战。中科院自动化所联合香港院AI中心系统性研究，提出综述、方法、Benchmark和Codebase，为相关人员提供全面支持。
视觉Token注入CLIP语义，走向多模态理解与生成新范式
腾讯ARC Lab等机构提出全新视觉分词器TokLIP，将低级视觉Token与高级CLIP语义结合，支持端到端自回归训练，可接入LLM框架，降低计算与数据门槛，在多模态任务中表现优异，代码已开源。
AI Agent 落地之困：为什么“人”与“流程”是最大障碍？
本文解读 MMC 报告，揭示 AI Agent 落地面临核心挑战、衡量标准、付费模式及落地策略。指出最大障碍是‘人’与‘流程’问题，如工作流集成、员工抵触、数据隐私等，还提及企业付费情况和成功落地秘籍。
Monet：赋予多模态大模型如人类一般的抽象视觉思考能力
文章介绍了Monet模型，它实现了训练MLLM直接在连续隐空间思考的方法，内化视觉思考能力。还阐述了多模态模型隐式推理训练的难点，提出SFT+RL训练框架，构建数据集，经测试，Monet提升了视觉推理能力。
Opus 4.5之后，AI正在催生“巨头型百人公司”
Opus 4.5发布后，Agent赛道洗牌，模型差距由Agent Loop拉开。本文围绕Cherry Studio，与创始人及投资人探讨AI公司护城河、开源意义、用户价值差异等，指出未来将催生“巨头型百人公司”。
先说个暴论：不懂代码的人，才最喜欢 Vibe Coding。
文章指出不懂代码的人爱Vibe Coding，还介绍AI Coding赛道跨行、跨文件补全方向。分析基于AST的上下文构造、提升速度的方法，提及AI IDE采纳率问题，认为实际项目中NES可控度更高。
Meta AI大裁员20%！田渊栋等600人一夜被裁
Meta在超级智能实验室裁掉600人，著名AI大佬田渊栋及其团队在列。PAR和Infra部门是重灾区，FAIR裁员比例仅约5%。Meta或更关注前沿模型研发，减少成果转化考量。