「多模态DiT架构」共找到 2596 篇相关文章
刚刚，奥特曼放出ChatGPT「统一智能体」！惊呼真AGI，最卷打工人来了
奥特曼带队直播发布ChatGPT agent，它融合三大技术优势，可自主工作，还能上网直出PPT、Excel。在多项测试中刷新SOTA，2025年将成全新AI杠杆，解锁「超级个体」模式。
你的数字伴侣贝拉 (Bella)，正在唤醒!
贝拉是数字伴侣种子，愿景是成用户持久个性化伙伴。早期通过轮播视频呈现，采用AI原生开发路径，分感知核心、生成式自我、主动式陪伴三阶段构建，目标是成为由AI驱动的生命体。
PAS刊发西工大张伟伟教授智能流体力学重磅综述论文
西工大张伟伟教授团队受主编邀请，系统调研人工智能与流体力学交叉领域进展。通过科学计量学方法，展示发展脉络、现状与前沿方向，分析研究格局、梳理团队，为该领域提供全景图。
智能PPT生成系统
MultiAgentPPT是基于A2A + MCP + ADK的多智能体系统，能流式并发生成高质量PPT。它通过多智能体协作，从大纲生成到内容汇总，提高效率与准确性，还介绍了使用界面、项目结构、快速开始步骤等。
Claude Code有救了，这个开源的GUI解决了很多使用体验问题。
Claude Code强大但命令行操作不便，缺少历史记录、回滚等功能。开源的Claudia GUI工具解决诸多问题，将命令行转化为图形界面，支持会话管理、检查点回滚等，性能优异且跨平台。
o3绞尽脑汁仅答对40%的题目，开源模型基本乱猜？MMSI-Bench：多图空间智能试金石
文章介绍了MMSI - Bench，这是用于评估MLLM多图像空间推理能力的VQA基准。它人工构建样本、全面分类任务、采用多样真实数据。实验显示MLLM在多图像空间推理有短板，还开发自动化错误分析流程助力改进。
首创像素空间推理，7B模型领先GPT-4o，让VLM能像人类一样「眼脑并用」
当前主流视觉语言模型（VLM）依赖文本token间接翻译视觉信息，缺乏直接视觉操作能力。滑铁卢大学等团队提出「像素空间推理」范式，让VLM能像人类一样「眼脑并用」，在四大视觉推理基准测试中，7B的Pixel - Reasoner表现碾压GPT - 4o等。
纯靠“脑补”图像，大模型推理准确率狂飙80%丨剑桥谷歌新研究
剑桥、伦敦大学学院和谷歌团队推出基于强化学习的视觉规划（VPRL）新范式，纯靠图像推理。新框架利用GRPO后训练，准确率达80%，超文本推理至少40%，代码已开源。
DeepSeek-R1发布后的100天复现之旅方法总结
DeepSeek团队发布「推理大模型」DeepSeek-R1 ，其技术细节未完全开源，全球研究团队开启“复现竞赛”。论文总结100天复现经验，介绍推理大模型与普通大模型区别、复现方法、关键发现及未来方向。
ICML 2026现场最全索引：从快手到大厂，中国企业集体出征
ICML 2026 于7月6 - 11日在韩国首尔召开，投稿量翻倍，录用率26.6%。中国企业全面出击，快手、阿里千问等入选多篇论文，现场活动丰富。中国机构研究呈现从发论文到做现场、单点到系统布局、聚焦效率等趋势。