「多模态系统」共找到 2526 篇相关文章
微软开源2周狂赚7.2K star！！轻量好用命令行编辑利器，程序员力荐！
微软开源命令行文本编辑器`Edit`，专为Windows Terminal设计，支持多系统。它轻量高效，功能丰富，兼容Windows生态，还有鼠标模式。开源半月获7.2K+ star，提供多种安装方式。
360开源高质量图文对齐数据集！收纳1200万张图像+1000万组细粒度负样本，让模型告别“图文不符”
360人工智能研究团队的冷大炜博士团队开源FineHARD高质量图文对齐数据集，包含1200万张图像、4000万个边界框及对应描述、1000万组细粒度难负样本，能提升模型图文对齐能力，还介绍了构建方法、分析及应用前景。
想搞好编程，得有点儿朋克精神
音乐传奇 Rick Rubin 提出 Vibe Coding 是编程界的朋克摇滚，即无需精通技术，凭想法和表达就能创造。他本人照片成该编程范式象征。不过 Vibe Coding 引发争议，有人批评也有人看好其未来。
字节开源多模态复杂文档解析模型！Dolphin：页面与元素并行解析，精准解析复杂文档！
多模态AI与文档解析兴起，传统OCR解析复杂文档常出错。字节跳动开源多模态模型Dolphin，通过两阶段机制精准解析，有多种功能，安装使用友好，适用于多场景，降低了复杂文档解析门槛。
全日程公布｜谷歌Veo 3惊艳发布后，这场CVPR分享会值得每个AI人「听个声」
谷歌在 I/O 2025 大会发布 AI 视频生成模型 Veo 3，实现音画同步。为让从业者了解 AI 新成果与趋势，机器之心 6 月 8 日将举办「CVPR 2025 论文分享会」，公布全日程、嘉宾及主题，还会直播。
详细介绍！RAG 和 GraphRAG：了解何时（When）、如何（How）使用它们
文章详细介绍传统RAG和GraphRAG技术，前者通过向量搜索检索上下文，但无法体现数据关系；后者用知识图谱提升检索效果，亮点是构建图谱、整合信息。还指出两者优缺点，建议结合使用。
ICML 2025 Spotlight｜南洋理工陶大程教授团队等提出基于RAG的高分辨率图像感知框架，准确率提高20%
南洋理工陶大程教授团队等合作，为解决多模态大语言模型处理高分辨率图像问题，探索 RAG 应用可行性，提出 Retrieval-Augmented Perception (RAP) 框架，在多任务上提升性能，已被 ICML 2025 接收。
Claude 5.1双旗舰突然发布：跑分屠榜，反蒸馏，科研能力大幅跃升，缓存费用暴降75%
Anthropic发布Claude Fable 5.1和Claude Mythos 5.1两款大模型，性能登顶且解决开发者关注问题。缓存读取费用降75%，跑分屠榜，科研能力强，安全系统重构，合作实测效果好，盲测风格与GPT - 5.6 Sol不同。
你觉得 Kimi K3 又慢又贵是吧，我来告诉你为什么
作者用 Kimi K3 为墨问的 CatReader 增加发现页，实操中它多数时候快且抗用，不过周五晚变慢，收尾工作交给了 GLM 5.2。对用户觉得 K3 又慢又贵的问题进行分析，还区分了 Kimi App 和 Kimi Code 使用场景。
VLM会描述视频，却未必用对参考图：RefCaptioner让参考图与视频语义精准对应
多模态大模型处理多参考图与视频对应关系能力不足。为此提出 RefCaptioner，强化模型对参考图识别感应能力、优化输出格式与奖励函数；还构建 MRVBench 评测基准，实验显示其表现优异。