「科学理解」共找到 1076 篇相关文章
字节Seed提出M3-Agent：像我们一样"记住"与"思考"的长视频理解新范式
字节Seed提出M3 - Agent，这是首个融合实时视听输入、类人记忆构建与自主推理的多模态智能体。它模仿人类记忆机制，解决长视频理解痛点，已被CVPR 2025收录并开源代码，为通用人工智能奠定基础。
浙大联合阿里云发布首篇 Token Economics 综述 ：用经济学重新理解 LLM Agent 的 Token 世界
浙江大学联合阿里云发布综述论文，提出Token Economics框架，从经济学视角理解LLM Agent中Token使用与资源分配。梳理关键问题，构建分类体系，还指出未来发展趋势与新兴机会。
中英双语、29项第一、像素级理解：360 FG-CLIP2登顶全球最强图文跨模态模型
360推出FG-CLIP2图文跨模态VLM模型，在八大类任务、29项测试中超越Google与Meta。它能像素级看图，中英文皆强且已开源。其优势源于高质量数据集和先进训练方法，还在多业务落地并开放API。
ICML 2025 Spotlight | 快手、南开联合提出模块化双工注意力机制，显著提升多模态大模型情感理解能力！
情智兼备是人工智能发展方向，但多模态情感数据语义复杂，建模跨模态关联是挑战。快手可灵团队与南开提出模块化双工注意力范式，构建‘摩达’模型，在多任务测试中性能提升，成果被 ICML 2025 收录。
欧洲科学与艺术院长 Klaus Mainzer：通用人工智能的终极通关秘籍，藏在思想史里 GAIR Live | 018
雷峰网专访欧洲科学与艺术院院长 Klaus Mainzer，他指出通用人工智能瓶颈在思想史，AGI 障碍是“具身性”哲学鸿沟。还提及量子计算等新兴技术前景，强调教育要整合，人类要担起 AI 时代责任。
ICML 2025 | 长视频理解新SOTA！蚂蚁&人大开源ViLAMP-7B，单卡可处理3小时视频
在视觉语言模型取得突破的当下，长视频理解挑战凸显。蚂蚁和人大团队提出视觉语言大模型ViLAMP，采用‘混合精度’策略，在多基准测试中超越现有方案，单卡可处理3小时视频，为实际应用带来新可能。
SceneSplat: 基于3DGS的场景理解和视觉语言预训练，让3D高斯「听懂人话」的一跃
文章引入 SceneSplat，首个在 3DGS 上原生运行的端到端大规模 3D 室内场景理解方法，提出自监督学习方案，构建发布 SceneSplat - 7K 数据集，在多个实验中达 SOTA 效果。
小米模型实现声音理解新SOTA！数据吞吐效率暴增20倍，推理速度快4倍 | 全量开源
小米全量开源MiDashengLM - 7B模型，它基于Xiaomi Dasheng和Qwen2.5 - Omni - 7B Thinker，实现声音理解新SOTA。性能领先，推理效率高，革新训练范式，全栈开源，将赋能多场景。
创新中心 | 2025首届“幻镜”AI视听测评季成果在京发布，探索AI视听领域建立科学测评体系
2025年10月28日，“人工智能赋能精品创作沙龙”暨首届“幻镜”AI视听测评季成果发布会在京举办，活动旨在为AI视听领域建科学测评体系。会上公布测评结果、优秀作品片单，发布研究分析报告。
三维空间太难懂？RoboTracer让机器人理解复杂空间指令，推理3D空间轨迹，开放世界也能精确行动
家庭环境复杂，让机器人理解空间指令难，现有VLM多聚焦2D推理。北航、北大等联合推出多模态大模型RoboTracer，能精准生成3D轨迹，在多项评测中领先，还能直接集成到机器人，完成复杂任务。