搜索：多模态指令数据合成

「多模态指令数据合成」共找到 3391 篇相关文章

众所周知视频不能P？北大施柏鑫团队、贝式计算CVPR研究：视频里轻松换衣服、加柯基

视频编辑难度高，传统流程繁琐，现有AI方法有局限。北大施柏鑫团队联合贝式计算等提出VIRES方法，能实现视频主体多种编辑操作，还标注VireSet数据集。其在多指标超现有SOTA模型，团队还探索全景级可控视频生成。

Anthropic完成130亿美元F轮融资，投后估值达1830亿美元。此轮融资由Iconiq等领投，多方参与。自推Claude后其估值飙升，营收增长快。不过该公司也面临收集数据、用量限制等争议，却未影响投资者信心。

李飞飞等学者联合发表论文，分析当前触觉融合方案缺陷，提出 T - Rex 架构。它改变触觉输入方式，使用新编码方法和数据集，经三阶段训练，在 12 项任务评测中平均领先 30 个百分点，也指出了局限与未来方向。

伯克利等机构发布FST框架，通过快慢分层解决大模型持续学习死局。过去两年头部实验室都在提升模型推理能力，却忽视持续学习。FST让模型像大脑一样快慢分层，提升数据效率、减少遗忘，使持续学习可工程化。

Qwen3.6-35B-A3B开源，是稀疏MoE模型，总参350亿、激活参数30亿，轻量高效，在智能体编程等方面表现卓越，超越前代，可与稠密模型媲美，支持多模态，已在Qwen Studio上线并发布开源权重。

TC-Light 是中科院自动化所张兆翔教授团队研发的生成式渲染器，能对长视频序列重渲染，减少 Sim2Real Gap 及实现数据增强。它克服了时序一致性和计算开销挑战，性能优于现有技术，论文与代码已开源。

中国科学院派披着羚羊皮的深圳云深处X30四足机器人混入可可西里藏羚羊群，观察其行为。该机器人装备多类传感器和定位系统，能实时传输数据，还可远程控制，此前也有不少用机器人研究动物的案例。

谷歌Nano Banana模型刷屏，其项目负责人等揭秘技术。它有场景一致性、文本渲染等特性，团队用文本渲染能力作评估指标，还靠原生多模态、交错式生成等技术，结合用户反馈实现多方面进步，图像模型做PPT尚处起步。

现有检索增强生成（RAG）系统只能读取已索引的静态网页，无法满足用户需实时数据的问题。百度TURA用工具调用把RAG升级为动态交互，其核心分检索、规划、执行三步，已在百度亿级流量场景跑通。

第42届国际机器学习大会（ICML）2025年7月将在加拿大举行，生成式AI前沿热点转向高质量、稳定、简洁、通用模型形态，流匹配技术踩中热点。它源于流体力学，能将噪声转化为数据，与扩散模型有紧密联系。