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

李飞飞自曝详细创业经历：五年前因眼睛受伤，坚定要做世界模型

在a16z播客节目中，“AI教母”李飞飞讲述创业经历。五年前眼伤失立体视觉，让她意识到其对空间交互的决定性作用。她认为真正通用智能需理解物理世界，与Martin Casado一拍即合创立World Labs，加速世界模型突破。

资深科技记者Karen Hao新书《Empire of AI》出版，496页巨著撕开OpenAI真实面貌。书中把其比作殖民帝国，揭露生成式AI繁荣背后隐形成本，还记录其从理想到现实转变、GPT - 3背后故事及2023年董事会政变等。

文章介绍了AI编程产品分类，指出Vibe Coding存在的问题。重点讲述Figma在2025 Config发布Vibe Coding产品Figma Make，其可从设计稿生成网页，有编辑工具精准迭代等功能，还推出可视化低代码建设工具Figma Site。

自媒体内卷，‘视频转图文’是流量入口，简单截图难满足需求。clipsketch - ai 开源项目用 Gemini 3 Pro 和 Nano Banana Pro 模型，实现视频理解、AI 绘画和写作自动化，解决创作者素材整理、版权等痛点。

2025 年 12 月 3 日，「甲子光年」举办年终盛典，科技产业投资专场圆桌对话探讨早期投资从“赛道思维”到“认知红利”转变。英诺王晟主持，红杉张涵等嘉宾参与，指出决胜点在对人、周期和非共识的理解。

为对抗谷歌的Gemini 3，OpenAI推出GPT - 5.2。大神Matt Shumer深度评测，指出其指令遵循、代码生成、视觉和长上下文等能力有提升，但速度慢。与Claude Opus 4.5、Gemini 3 Pro各有分工。

arXiv因AI生成论文泛滥，禁止接收未经同行评审的综述和立场论文。而18所高校联合发布的aiXiv平台，支持AI和人类共创科研成果，采用多阶段AI同行评审机制，引发对传统学术体系的反思。

生数科技Vidu Q2「参考生」功能全球正式上线，APP端全面改版。新上线「视频延长」功能，最长扩展5分钟，还在一致性、速度、成本等方面优化，在镜头语言、语义理解等表现出色，APP社交体验好。

淘天集团未来生活实验室团队提出首个3D动作游戏专用VLA模型CombatVLA，已被ICCV 2025接收。它能处理视觉输入输出动作指令，在战斗理解准确率和执行速度上表现优异，还构建了评测基准等。

以AI搜索引擎著称的Perplexity推出Comet浏览器，自称「AI Agent原生」。它试图解决「理解」和「运用」信息的难题，通过Comet助手整合标签页，还具备代理执行能力。不过其发布策略和用户习惯问题带来挑战。