「多模态大型语言模型」共找到 1990 篇相关文章
DeepSeek V4没做的，MiniCPM-o 4.5给做「全」了~
上周 DeepSeek V4 发布，遗憾不是多模态。今天 MiniCPM-o 4.5 补上短板，凭 9B 参数实现端到端全双工全模态大模型，自 2026 年 2 月发布后 Hugging Face 下载量超 25 万。还推出多项成果，性能表现出色。
Insanely Fast Whisper：开源社区让音频转录速度提升19倍
Insanely Fast Whisper工具将OpenAI Whisper转录速度提升19倍，采用Flash Attention 2技术，零质量损失。它集成多语言支持、说话人分离等实用功能，还支持跨平台，免费运行。最初是基准测试demo，值得音频处理用户关注。
把人类驾驶员赶出机场，复旦大牛校友要港股IPO了
4月19日，驭势科技通过港交所聆讯，这是其第二次冲击IPO。它是全球唯一为机场提供大型商业营运L4级自动驾驶解决方案的供应商，主营车辆、软件、套件解决方案及车辆租赁服务，业务聚焦智慧民航、厂区、城市三大赛道。
“养虾”热潮下，专家帮你拆解Agent如何重写软件逻辑 | 奇点智能技术大会首日精彩回顾
2026 奇点智能技术大会聚焦 AI 发展新趋势，探讨 Agent 对软件与互联网产业的重构。会上发布白皮书、评测榜单，成立开发者社区，多位专家分享见解，涉及 AI 研发、模型协同、大模型演进及科学多模态模型等内容。
上海交大DENG Lab提出「LatentUM」：Unified Model的真正「战场」在视觉推理与世界模型
上海交通大学 DENG Lab 提出的 LatentUM，尝试让统一模型把生成的视觉内容纳入推理闭环。它在多项任务上超越基线，其核心思路是生成与语言共享语义空间的离散 visual semantic tokens，模型含三大关键设计。
ICLR 2026 | 机器人不够聪明？VLMgineer让大模型自己「发明工具」，从设计到使用全自动
宾夕法尼亚大学研究者提出 VLMgineer，一个全自动工具设计与使用框架，利用视觉语言模型和进化搜索，让机器人自主设计并使用工具。该工作已被 ICLR 2026 接收。实验显示，它在工具设计上优于人类提示和现有 Benchmark 工具。
五百行代码打造SOTA视觉智能体！UniPat AI最新开源
多模态大模型代码能力强，但基础视觉任务常失误。UniPat AI推出极简视觉智能体框架SWE-Vision，让模型用代码弥补视觉短板，在五个主流视觉基准测试达最优。该框架设计独特，开源代码和数据已发布。
UIUC清华微软联合提出PlugMem：当Agent记忆告别「经历」，开始存储「经验」
随着大语言模型Agent长期运行，‘记忆该如何设计’成核心问题。UIUC、清华、微软联合提出PlugMem，将记忆拆分为三类，以知识为单位存储，在三类任务中验证其有效性，为Agent长期记忆设计提供新思路。
视频生成太慢？英伟达、谢赛宁等发布TMD框架，实现70倍加速
大规模视频扩散模型采样效率低，应用受限。英伟达联合谢赛宁等提出TMD框架，将大型视频扩散模型蒸馏为少步生成器。实验显示，TMD能实现超70倍加速，质量损失小，用户也更偏好其生成的视频。
CVPR 2026｜清华联合美团推出3DThinker，首个用3D意象思考的工作
当前多模态大模型在空间理解任务表现弱，缺乏对几何信息提取能力。清华联合美团推出3DThinker，无需3D标注和外部工具，让模型内蕴‘想象’三维场景，在多基准上提升效果，且具备一定可解释性。