「多模态理解与生成」共找到 3420 篇相关文章
清华联手快手可灵，撞车谢赛宁团队RAE，用SVG再证明VAE已过时
AI图像生成正告别VAE技术。清华与快手可灵联合提出SVG方案绕开VAE，纽约大学谢赛宁团队也提出RAE模型。SVG用自监督特征构建潜空间，在质量、效率和通用性上超传统，证明统一视觉模型可行。
社区供稿丨揭秘端到端文档OCR模型 POINTS-Reader
腾讯开源端到端文档OCR模型POINTS-Reader，论文被EMNLP 2025主会录取。它提出可扩展数据生成方案，具简洁、性能好、高吞吐量等特点，通过两阶段训练方案解决依赖蒸馏数据问题，在多基准测试表现佳。
ClockBench：一个简单的钟表测试让AI全线溃败
ClockBench测试让11个多模态大模型与5个普通人认钟表时间，人类平均准确率89.1%，最好的AI仅13.3%。AI在复杂钟面表现差，却能处理抽象指令。该测试暴露视觉AI空间推理缺陷，对评估有启发。
OpenAI没开源的gpt-oss基础模型，他去掉强化学习逆转出来了
OpenAI未发布gpt-oss基础模型，Cornell Tech博士生Jack Morris自行逆转gpt-oss模型强化学习，发布gpt-oss-20b-base。该模型可生成任意文本，但不再对齐，还测试了其记忆能力，介绍了诞生原理与技术细节。
DeepMind揭示Reasoning内在机制
近年来大型推理模型在复杂任务表现出色，但推理机制成谜。本文提出用推理图解码其‘思考轨迹’，分析环状结构、直径大小和小世界特性，发现蒸馏模型等特点，为理解AI推理及模型优化指明方向。
一手实测深夜发布的世界首个设计Agent - Lovart。
博主实测深夜发布的世界首个设计 Agent - Lovart。虽内测版细节粗糙，但大框架已现。它先匹配设计风格，再创建执行计划，还支持二次编辑等，集成多工具可生成视频等，未来或重写设计工作流。
画图 Prompt 两则
作者李继刚分享画图 Prompt 两则。因 Gemini Nano banana pro 画图风格太‘AI’，提出注入指定风格解腻，介绍了生成 Swiss 风格《鬼灭之刃》继国缘一战斗特写及日系下雪天初恋男女操场玩闹写真海报图的具体要求。
火了！刚刚，李飞飞2篇最新文章发布！
AI圈近期被李飞飞两篇重磅文章刷屏，一篇阐述空间智能愿景，指出当前AI缺乏空间智能，其创办的World Labs提出世界模型；另一篇论文揭示当前视频理解基准自欺欺人，还提出新基准VSI - SUPER及预测性感知新范式。
桌面端已经过时了，这个 AI 直接在手机开了 Agent 商店
文章介绍 Macaron 应用，它有马卡龙形象的 AI 陪伴聊天功能，能记住用户习惯喜好。还可让 AI 生成手机 APP，有分享生态。其灵感库似应用商店，有经济系统，应用创建简单，完成度高，实现 AI 从工具到伙伴的进化。
老黄挤爆牙膏！DLSS 4.5狂飙6倍，RTX 50系直接封神
2026年CES大会上，英伟达发布DLSS 4.5提升画质与帧生成，RTX Remix助力经典游戏重生，还将NPC变智能伙伴。同时，其软件升级利好AI PC，提升性能、减少显存消耗，让它更接近日常使用。