「多模态应用」共找到 2966 篇相关文章
谷歌悄咪咪上线了 10 款 AI 应用，下一个 NotebookLM 可能在里面
谷歌在Google Labs上线10款AI应用，如Whisk生图、Mixtape将名画变音乐、Food Mood定制食谱等。不少项目虽处实验阶段，但完成度和可玩性高，还展现了谷歌在AI领域的探索与创新。
复旦等推出「第一人称视听基准」，补齐多模态模型「听觉拼图」
多模态大模型在真实世界会“失聪”，现有第一人称视频问答/理解基准长期偏“视觉中心”。复旦等团队推出首个系统评测第一人称声音理解能力的基准EgoSound，能让模型听懂世界，评测显示当前模型与人类差距大。
一个人，40 款应用、百万级用户，验证 MVP 这事，没那么复杂
AI独立开发者Hassan El Mghari 4年开发40多款AI应用，部分达百万级用户量。他分享开发全流程经验，指出开发者常犯发布慢、过度复杂化问题，强调用低成本验证MVP，从多渠道找需求。
多模态大模型持续学习系列研究，综述+Benchmark+方法+Codebase一网打尽！
近年来，生成式AI和多模态大模型进展显著，但在动态环境下实现持续学习是挑战。中科院自动化所联合香港院AI中心系统性研究，提出综述、方法、Benchmark和Codebase，为相关人员提供全面支持。
吴恩达来信：AI工程技能图谱详解——构建和部署AI应用
吴恩达在信中详细展开AI工程技能图谱中构建和部署AI应用这一项，介绍需了解的技能，如LLM基础、用数据为模型提供依据等，并阐述各技能要点，还提及构建AI系统与传统软件的区别。
视觉Token注入CLIP语义，走向多模态理解与生成新范式
腾讯ARC Lab等机构提出全新视觉分词器TokLIP，将低级视觉Token与高级CLIP语义结合，支持端到端自回归训练，可接入LLM框架，降低计算与数据门槛，在多模态任务中表现优异，代码已开源。
Monet：赋予多模态大模型如人类一般的抽象视觉思考能力
文章介绍了Monet模型，它实现了训练MLLM直接在连续隐空间思考的方法，内化视觉思考能力。还阐述了多模态模型隐式推理训练的难点，提出SFT+RL训练框架，构建数据集，经测试，Monet提升了视觉推理能力。
Clawdbot开发者：未来一大批应用都会消失，提示词就是新的interface
Clawdbot开发者Peter Steinberger在采访中分享诸多观点，认为今年是「个人助理」之年，每个人应构建智能体探索记忆机制；指出GUI糟糕，多数MCP应做成CLI；还称未来大批应用会消失，提示词是新界面。
tRPC-Agent-Go：构建智能AI应用的Go语言Agent框架
tRPC是腾讯内部覆盖最广的RPC开发框架，tRPC-Go使用最广。2023年起LLM发展迅速，Agent开发框架成重要基础设施。tRPC-Agent-Go集成LLM等，支持创建多种Agent，为开发者提供构建智能应用的完整技术栈。
投资应用Roi被OpenAI收购，Sam Altman想要的不简单是炒股
投资应用Roi被OpenAI收购，官网宣布10月15日停止服务。其核心产品Roi AI可提供个性化投资建议等。创始团队认为个性化是软件业未来。收购引发讨论，OpenAI或看重团队技术，Altman布局宏大。