「多模态数据」共找到 3199 篇相关文章
阿里通义的视觉RAG革命！VRAG-RL：基于强化学习的视觉感知RAG框架，性能飙升30%
阿里巴巴通义实验室推出VRAG - RL，融合视觉感知、多模态推理与强化学习，已在GitHub开源。它破解传统RAG处理视觉数据难题，通过创新机制提升性能，在多数据集表现出色，还将向更拟人化和低幻觉方向发展。
对话原力灵机周而进：模型2.4B就够用，关键是“具身原生”；能闭环才是最高效方法
原力灵机推出首个具身原生模型产品DM0，仅2.4B参数，却能支撑实时处理画面与真机进化。其合伙人周而进称要走具身原生路线，还介绍了数据采集、模型训练等多方面内容及公司发展规划。
7.5K Star！HKUDS开源AI全栈开发框架，产品经理的Demo神器！
AI时代从论文到产品Demo开发全链路工作耗时费力，现有Agent也有诸多问题。香港大学数据科学实验室（HKUDS）开发的DeepCode开源框架，定位“全自动AI软件开发框架”，可一键从论文/需求生成完整项目，已获7.5K Star。
斯坦福洗碗机器人新作！灵巧手跟人学采茶做早餐，CoRL 2025提名最佳论文
斯坦福等机构提出DexUMI框架，利用人手将操作技能迁移至灵巧手。该框架通过软硬件创新缩小人手与灵巧手具身差异，在两款灵巧手硬件平台验证，平均任务成功率达86%，数据采集效率提升3.2倍，被CoRL 2025提名最佳论文。
百度0.9B参数模型登顶全球第一，聊聊PaddleOCR-VL背后的技术细节
百度PaddleOCR-VL模型仅0.9B参数，在OmniDocBench V1.5榜单获92.6分全球第一，在多能力维度达业界最佳，能处理109种语言。其采用两阶段架构，结合优质训练数据，实现高性能与低内存、快速度的平衡。
深谋商业化一骑绝尘！人形机器人中标国网电力，大载重eVTOL即将首飞
深谋科技在今年世界人工智能大会上大放异彩，其融合多模态感知检测的人形机器人中标国网河北电力项目，相关技术将应用于关键研究和装置研制。此外，其大载重eVTOL曜眸MX150E无人机即将首飞量产，有望成低空经济出海冠军。
告别高昂重制成本！港科大广州、快手可灵发布立体视频转换单步推理新方案
随着 3D 设备发展，人们对 3D 立体视频需求增加，但高昂制作成本成阻碍。快手可灵与港科大广州团队联合提出 StereoPilot 模型，能快速将 2D 视频转为高质量 3D 视频，还构建了 UniStereo 数据集。
牛！小米开源「音频语言模型」，超1亿小时预训练时间，音频理解和输出能力是真顶！
小米推出开源音频语言模型MiMo - Audio，有超1亿小时预训练时间。它能理解音频，70亿参数模型在多基准测试达SOTA，音频理解超Gemini - 2.5 - Flash，复杂推理优于GPT - 4o - Audio，还支持多模态任务。
具身智能还需要一个「五年耐心」
作者与具身智能领域人士交流后认为，具身智能还需「五年耐心」。当下通用机器人进工业产线挑战大，一到两年或迎「GPT - 3.0 时刻」，但到「GPT - 4.0」阶段还需解决数据、硬件等诸多问题。
成熟工程师1天完成调试，AI工程实践被MCP彻底颠覆？
去年11月Anthropic发布模型上下文协议（MCP），开发者社区迅速采用，AWS、GitHub、OpenAI等也已采用。MCP标准化数据和工具与AI代理的集成，简化定制化AI应用构建。采访华院计算杨小东，解析其架构、应用及商业价值。