「多模态指令数据合成」共找到 3391 篇相关文章
Light-X来了！全球首个「镜头×光照」双控4D视频生成框架，单目视频秒变电影级
新加坡南洋理工大学等科研机构联合推出Light - X，全球首个「镜头×光照」双控4D视频生成框架。它解耦相机与光照，在扩散模型中融合，还构建Light - Syn数据管线，实验显示其效果显著优于现有方法。
NotebookLM能生成PPT了，还带演讲配音
谷歌NotebookLM有新功能，输入数据、图表、旁白就能自动生成带AI音频的PPT，还能让AI写旁白。此功能对总结汇报、学习新知识都实用，也有人试用后反馈存在速度慢等问题。
如何将LLM的"思考习惯"迁移到视觉领域？
传统多模态模型处理复杂视觉推理能力不足，OVR团队以Qwen2.5 - VL - 7B为基础构建开源强化学习框架，成果模型OVR在12个基准测试刷新记录，揭示认知行为跨模态迁移三条黄金定律。
Qwen3.8-Flash：全新架构，更强更稳更划算
本文介绍了 Qwen3.8-Flash 多模态 MoE 模型，它原生支持 262,144 token 上下文。该模型在 Attention、Residual、Embedding 与 Optimization 四个方面系统升级，降低训练与推理成本，即将上线千问 AI 平台。还发布了 Qwen3.8-Flash-Next 开源权重。
10岁孩子都能训机器人！对话松应科技创始人：做物理AI界的“安卓”挑战英伟达，正将其开源开放
松应科技创始人聂凯旋表示团队对标英伟达，四年达其主流能力，产品落地多家企业。松应发布 ORCA Lab 1.0 开发者版，降低具身智能研发门槛。其采用开放生态，构建数据策略，目标培养物理 AI 人才，推进自主创新。
超700人预约，昆明一门店免费安装！不少线下数码门店迎来大量用户，“小龙虾”火爆出圈！
一款名为OpenClaw的AI智能体因图标是红色卡通龙虾被称为“小龙虾”而火爆。昆明线下数码门店有用户咨询、预约安装，超700人预约。它能自动完成操作，但存在技术门槛和数据安全风险，国家相关部门已发布提示。
豆包 Seed 2.0 来了：字节模型跨越鸿沟
春节前字节发布豆包大模型 2.0，其在 Text 领域进入榜单前十，视觉能力全球第四且成本低。它定位多模态 Agent 模型，有多种能力升级，文中用多个案例展示其强大，还强调字节重原生能力非简单蒸馏。
波士顿动力机器人终于有脑子了！人类故意使绊子也不怕
波士顿动力与丰田研究院联手基于大型行为模型，推出Atlas全新版本Atlas MTS。它能听懂自然语言指令、自主规划动作、处理意外。此次升级采用特定模型及策略，还结合VR界面。此外，波士顿动力转向电驱，电驱机器人时代将来临。
字节Seed团队发布Seed1.5-VL，用仅20B活跃参数在60个主流测试中狂揽38项第一！
字节Seed团队发布Seed1.5-VL，仅200亿活跃参数就在60个主流测试中获38项第一。介绍其架构、预训练、后训练等情况，评估表现出色，虽处理复杂场景有局限，但仍在多模态任务取得显著进展。
Ilya的首个模型来了！
掌握内幕的草莓哥爆料，Ilya正构建以TTT为核心的小型推理引擎。他预见传统大模型的死穴，SSI将TTT概念落地，其引擎在数据效率等方面优势明显。SSI获投资，本月或发新模型。