「多模态理解与生成」共找到 3420 篇相关文章
合成数据>人工数据，绝对性能暴涨超10个点！仅需任务定义，高效微调大模型
为解决基础模型在专业领域表现不佳、依赖人工标注数据的难题，北大、MIT等机构提出「合成数据强化学习」框架。该框架仅需任务定义，能生成合成数据微调模型，在多领域基准上性能提升显著，代码已开源。
刚刚，小云雀的短剧Agent上线了，背后是字节自己的Seedance 2.0。
字节的小云雀短剧Agent上线，以Seedance 2.0为底层模型。它能根据剧本或设定自动生成高质量短剧，提升了AI短剧创作效率，且不挑风格。文中还介绍了使用流程及剧本创作方法。
「Thinking with Images」推理速度太慢？「Zooming without Zooming」 让AI不调用工具也能「明察秋毫」！
上海交通大学与蚂蚁集团联合团队发布多模态大模型成果“Zooming without Zooming”。该研究提出R2I方法，将“缩放”转为训练目标，使模型单次前向传播实现细粒度感知，团队开源的ZwZ模型家族达开源SOTA性能。
深度体验超牛超多功能的开源AI菜谱工具，AI让每个人都可以是米其林大厨。
文章推荐了开源AI菜谱工具“一饭封神”，它能根据食材、口味、人数等生成菜谱，还有营养分析、饮品搭配等功能，有多种趣味板块，可玩性和实用性强，比部分小红书菜谱靠谱。
阿里、南开大学发布免训练，视频大模型创新压缩方法
视频模型序列化处理影响推理速度与扩展性，传统token压缩方法在视频理解中有问题。阿里通义实验室与南开联合发布LLaVA - Scissor，用SCC方法和两步时空压缩策略，实验显示其性能优于其他方法。
WAIC 2025大黑马，一个「谢耳朵AI」如何用分子式超越Grok-4
当Grok - 4讲冷笑话时，中国科学家用书生Intern - S1破解癌症药物靶点密码。7月26日上海AI实验室发布并开源Intern - S1，多模态能力全球开源第一，相关平台也上线，有望重构科研生产力。
GPT-5「全家桶」爆出本周上线！惊艳首测秒出网页，编程彻底起飞
传闻GPT - 5发布时间提前，本月底面世，它有4个版本。网友在LMArena实测，GPT - 5 - pro能一键生成网站，GPT - 5 - high表现出色。美国部分公司已拿到预览版，其新功能或改写编程局面。
北大-灵初重磅发布具身VLA全面综述！一文看清VLA技术路线与未来趋势
GPT-4o等多模态基础模型发展，让研究者探索将智能延伸到物理空间，VLA模型受关注。北大 - 灵初联合实验室从动作词元化视角提出新框架，分析主流action token，还介绍了VLA发展趋势及面临挑战。
Gemini 2.5 Pro 是怎么炼成的？-- gemini 2.5 技术报告阅读笔记与思考
文章是 Gemini 2.5 技术报告阅读笔记。介绍其成功点有多模态、LongContext、思考能力；还阐述模型结构、训练和数据情况，以及代码、事实性、长上下文等特定能力的提升，最后提到基于其构建的智能体。
只训练数学，却在物理化学生物战胜o1！新强化学习算法带来显著性能提升，还缓解训练崩溃问题
上海创智学院、上海AI Lab的MM - Eureka系列工作提出新强化学习算法CPGD，缓解训练崩溃问题，提升性能。还构建多模态强化学习框架，推出MMK12数据集和MM - PRM模型，开源相关成果。