「多模态框架」共找到 2425 篇相关文章
CVPR 2026 | 还在为AI「鬼画符」发愁？TextPecker即插即用破解文字渲染难题
在生成式AI浪潮中，视觉文本渲染仍是未攻克的核心难题。华中科技大学白翔教授团队等提出TextPecker，是基于结构感知的即插即用型强化学习优化策略，可适配主流生成器，提升视觉文本渲染性能，已被CVPR 2026接收。
字节开源GUI Agent登顶GitHub热榜，豆包手机核心技术突破26k Star
字节开源的豆包手机核心支撑GUI Agent模型UI - TARS登顶GitHub热榜，突破26k Star。它是多模态AI智能体，纯视觉驱动，部署简单，历经多轮迭代，成为热门开源多模态Agent。
LLM时代的事件抽取：从静态任务到认知脚手架
此综述论文探讨LLM时代事件抽取价值，认为其未被削弱，应视为“认知脚手架”。它系统梳理任务分类、方法演进等，还提出六大未来研究方向，指向将其演化为智能感知与记忆层。
有手就行，教你从0到1快速手搓搭建个GUI Agent
随着通用大模型发展，搭建GUI Agent难度降低。文章介绍如何用通用大模型API，从0到1搭建PC GUI Agent，包括原理、代码实现等，该Agent能跨应用操作，未来可强化功能。
装了 AI 大脑的 Grep
本文介绍了 mgrep 工具，它有自然语言搜索、支持多语言多模态等特点。还说明了使用方法，如安装、登录、索引项目和搜索等，能与编码 Agent 配合，可补充 grep 进行代码搜索。
谷歌最新 Gemini Agent 爆击GPT-5.2？人类最后考试得分见分晓！网友：Altman又该发“红色警报”了
全球人工智能竞争升温，谷歌与 OpenAI 同日发布更新。谷歌推出全新 Gemini Deep Research 版本及嵌入式研究智能体 API，OpenAI 发布 GPT - 5.2。谷歌新工具能力提升，测试成绩佳，引发网友不同看法，二者竞争激烈。
5.2K Star！离线也能翻译，零网络高隐私，40+语言的纯本地翻译神器！
日常在线翻译服务有隐私、离线使用等问题，Argos Translate是100%本地运行的离线翻译方案，免费、隐私安全，支持40多种语言，具备多模态接口、GPU加速等功能，适合多种场景。
“交互式Scaling”：增加Agent与环境交互的深度和频率来提升性能
在AI发展中，商业研究Agent是“黑箱”，开源研究Agent性能有差距。MiroMind团队推出MiroThinker v1.0，提出“交互扩展”提升性能，在多基准测试表现出色，也指出了当前版本的局限。
刚刚，全球AI生图新王诞生！腾讯混元图像3.0登顶了
LMArena竞技场发布文生图榜单，腾讯混元图像3.0夺冠，超越谷歌、字节和OpenAI等模型。它是原生多模态模型，语义理解强，核心技术独特，经多阶段训练，效果能与顶尖模型媲美。
网络基础设施如何支撑大模型应用？北京大学刘古月课题组5大方向研究，相关论文入选ACM SIGCOMM 2025
在智能计算和网络演进背景下，北大刘古月课题组聚焦网络研究。其 5 篇论文入选 ACM SIGCOMM 2025，从架构、数据、运维、安全四个维度形成技术闭环，推动新一代网络系统发展。