「多模态理解与生成」共找到 3420 篇相关文章
基于 Gemini 模型做 SEO Agent 简单实战
作者参加 Google I/O 大会后，受 James 用 AI 做 SEO 启发，尝试基于 Google 的 Gemini 2.5 Pro 模型制作 SEO 智能体。介绍数据获取方法，构建 3 个 Agent 进行分析、提建议和输出报告，Gemini 负责理解决策，适合出海企业。
我玩过的所有龙虾里，和飞书结合最好的就是它了，没有之一
作者分享ArkClaw使用体验，它与飞书结合佳，配置快。能读飞书文档、查日程，联网搜索用字节搜索引擎，还可装Skill生成报告等。虽有不足，但对中文用户实用，Coding Plan用户可免费体验。
xAI 全员大会实录：递归自我改进、5000 万视频/天、月球上的质量驱动器
本文是 xAI 全员大会实录，覆盖公司核心业务，如重组为四大方向、编程模型递归自我改进、Imagine 视频生成使用量等，还提及 X App 增长、太空愿景等，也指出公司存在高层流失、项目落地不明等问题。
AI 硬件新物种：七位从业者对消费级 AI 硬件的答案
2026 年 CES 落幕，释放中国 AI 硬件集体出海信号。蚂蚁集团等主办的活动上，7 位从业者分享消费级 AI 硬件产品，涵盖养成宠物、智能戒指等。他们认为 AI 硬件竞争焦点正从模型能力转向场景理解。
全图与切片并非等价？LLaVA-UHD-v3揭示差异推出高效全图建模方案
随着多模态大模型发展，处理高分辨率图像成关键。主流视觉编码范式难兼顾性能与效率，清华和中科院团队发布 LLaVA-UHD v3，提出 PVC 框架，对比 SBE 和 GNE，验证其在提升效率同时保留模型能力。
视频模型也能推理，Sora2推理能力超过GPT-5
DeepWisdom团队研究发现视频生成模型能推理，在空间类任务上比图文模型更擅长。团队推出VR - Bench基准测试，构建客观评分体系。实验显示视频模型在空间推理有优势，相关代码和数据集已开源。
ICCV 2025 | 跨越视觉与语言边界，打开人机交互感知的新篇章：北大团队提出INP-CC模型重塑开放词汇HOI检测
北大团队提出 INP - CC 模型重塑开放词汇 HOI 检测。它提出交互感知提示生成和概念校准两项创新，结合输入图片特性构造提示集合，引入‘困难负样本采样’策略，在两大数据集上表现超 SOTA。
李飞飞押注的「世界模型」，中国自研Matrix-3D已抢先实现了？
中国自研世界模型Matrix-3D可单张图生成3D世界，效果对标李飞飞的World Labs，还能实现更大范围探索。它有诸多优势，技术上有创新，数据集有特点，应用前景广泛。
种子轮10.3亿美元！谢赛宁加入，LeCun的世界模型公司太吸金了
图灵奖得主 Yann LeCun 创办的先进机器智能实验室（AMI）官宣起航，完成 10.3 亿美元种子轮融资，估值 35 亿美元，谢赛宁加盟。AMI 目标是做理解现实世界的 AI，想走世界模型路线。
53.7% 高学历政企人员“看走眼”！公文写作AI智能体首次通过图灵测试
2025数博会期间双盲测试中，53.7%高学历政企人员将‘方寸智脑’生成公文误判为人类作品。它与华为云合作，解决政务AI落地困局，实现政务公文写作三阶跨越，已服务众多用户。