「多模态理解与生成」共找到 3420 篇相关文章
500行极简开源框架，硬刚GPT/Gemini视觉极限！
多模态大模型代码能力进步大，但基础视觉任务常失误。UniPat AI构建SWE-Vision框架，让模型用代码处理视觉判断，在五个视觉基准测试达最优，其极简设计有效且泛化性强，代码已开源。
Cursor押注云端Agent！CEO 放话：审核AI代码是开发者最核心竞争力
Cursor CEO 称 AI 编程进入第三时代，智能体可少人工介入完成复杂任务，开发者角色转变。Cursor 团队超三分之一 PR 由云端智能体生成，不过这引发了开发者对代码审查、工作流、安全等问题的讨论。
2025 年 InfoQ 趋势报告：AI、ML 和数据工程
InfoQ AI ML 趋势报告基于编辑团队与嘉宾播客，总结 AI、ML 技术发展趋势。涵盖 AI 代理、多模态语言模型等创新领域，也提及早期采用者、早期多数、晚期多数类别的技术，还对 2025 年相关领域发展作出预测。
加速近5倍！北大与字节团队提出BranchGRPO，用「树形分叉 + 剪枝」重塑扩散模型对齐
北京大学与字节团队提出 BranchGRPO 新型树形强化学习方法，通过在扩散反演中引入分叉与剪枝，解决扩散/流匹配模型人类偏好对齐难题。该方法在图像与视频生成任务中表现优异，迭代时间最高近 5 倍加速。
4万多名作者挤破头，CVPR 2025官方揭秘三大爆款主题， 你卷对方向了吗？
CVPR 2025 官方根据 4 万多名作者 13008 份投稿，总结出计算机视觉热门的三大方向，即基于多视角与传感器的 3D 技术、图像与视频合成、多模态学习（视觉、语言和推理），并介绍了各方向热门原因。
AI PPT，这次是真不用返工了
过去AI做PPT虽快但有“幻觉数据”和“拼凑式模板”问题，被认为是高估需求。如今讯飞智文Vision Agent出现，能生成专业PPT，还解决了美观、内容等问题，将AI PPT带入2.0阶段。
半个月暴涨23k+ Star，一行命令让任意软件 Agent-Native！
介绍开源项目`CLI-Anything`，它用CLI作AI Agent与软件桥梁，有全新思路。半个月Github涨23k+ Star，能一键生成CLI，对接真实后端，但也有依赖代码质量、不适闭源软件等局限。
腾讯AngelSlim重磅升级！面向全模态的大模型压缩算法工具包，推理速度飙升 1.8倍！
近年来，推理阶段的成本等因素制约大模型规模化应用。腾讯混元升级的 AngelSlim 围绕 Eagle3 投机采样训练范式构建系统化实现，支持多模态场景，最高可实现 1.9× 推理加速，还具备多亮点。
空间智能终极挑战MMSI-Video-Bench来了，顶级大模型全军覆没
上海人工智能实验室 InternRobotics 团队推出空间智能视频基准 MMSI-Video-Bench，对主流多模态大模型进行评测。该基准题型全面、问题具挑战性，视频数据多样，能针对性测评。结果显示模型与人类差距显著，明确了能力瓶颈。
AI热点选品：当推荐系统遇上“热点”，我们需要一场变革
文章指出当下推荐系统追踪热点滞后，存在时效、解码、迭代困境。为此启动热点AI选品项目，构建自动化热点响应系统，经多环节处理输出优质候选集，还介绍成果、后续优化方向及AIGC图像生成方案。