搜索：多模态理解与生成

「多模态理解与生成」共找到 3420 篇相关文章

谷歌Gemini闹乌龙：我家狗子，竟被AI开除了「狗籍」！

2025年10月谷歌让Gemini for Home接管智能家居生态。它能识别人脸、快递等，还会生成家庭日报。不过，它也闹了把狗认成猫的乌龙。谷歌正改进识别准确度，这也是智能家居竞争中的小插曲。

AI视频生成公司HeyGen在29个月内ARR从100万美元增长到超1亿美元。创始人Joshua Xu公开取胜秘密，即独特运营模式‘The HeyGen Way’，包括拥抱变化、匹配节奏、最小化快速验证迭代等理念。

MIT新作《Self-Adapting Language Models》实现LLM自我进化，SEAL框架让模型自己生成“自编辑”微调自身。它能实时学新数据、修复知识、形成记忆。经两种场景验证，小模型也能超越GPT - 4.1等。

近日，斯坦福等校学者发现，更长推理链会让 MLLMs 产生更强幻觉。MLLMs 幻觉不仅涉及语言偏差，还有跨模态语义失配。主流多模态架构在结构设计和训练机制上的潜在失衡，是幻觉频发的主因。

大语言模型为文本驱动动作生成带来新可能，但现有方法有局限。GigaAI提出Motion - R1框架，融合“思维链”机制，能分解指令、优化动作合成，虽有不足，但在测试中表现优于主流方法。

GPT - 6使用资格分批开放，内测玩家抢先体验。其在3D生成、游戏开发、网页制作等多领域表现出色，如15分钟做出Mac应用，空间推理达世界级水平，但运行时Token消耗大。

Meshy是计算机图形学大神胡渊鸣创立的AI 3D公司，其创意工坊打通“AI创意→实体交付”。Meshy生成模型打印适配度高，破圈至多元领域，注册用户破千万，ARR年翻14倍，获多轮融资。

4月21日，OpenAI上线Chronicle研究预览版，它能读取屏幕内容形成记忆图谱，帮Codex理解上下文。虽解决AI失忆短板，但吃Token且有隐私风险，这是其在用户记忆战争的首枪。

随着大模型技术爆发，数据分析范式重构，未来数据多模态、分析复杂、查询方式转变。文章指出构建下一代 AI-First Lakehouse，要在存储计算、内核能力、架构适配、平台自治等方面升级，打破数据壁垒。

Meta开源DepthLM，首证视觉语言模型不改架构，也能媲美纯视觉模型的3D理解能力。它通过视觉提示等策略，解锁VLM多任务处理潜力，为自动驾驶等领域带来前景。