「多模态多步推理」共找到 2112 篇相关文章
DeepSeek刚解决了AI视觉最后一块拼图：极低成本+精准视觉定位，AI接管电脑已无死角
DeepSeek放出新论文《Thinking with Visual Primitives》，解决多模态大模型中长期被忽视的“说不清位置”问题。提出将空间标记作为“最小思维单元”插入推理链条的方案，在多个任务上达前沿水平，但也存在精度、触发机制和泛化能力等局限。
端到端语音模型：从语音表征到模型架构
本文整理自阶跃星辰语音模型负责人杨学锐在2025年QCon全球软件开发大会的分享。介绍大模型对语音技术的重塑，涵盖识别、合成等方面；阐述端到端语音模型构建，涉及表征、架构、训推和任务；还提及模型评估方法。
Meta 143亿挖角后首个作品来了：Alexandr Wang 推出闭源模型，杨立坤点赞
沉寂9个月后，Alexandr Wang带队的Meta发布新一代模型Muse Spark。它是原生多模态推理模型，性能媲美Gemini Pro和GPT 5.4，Meta还披露技术实现细节。不过闭源引争议，且模型在长时程智能体等方面有短板。
还在玩AI 3D手办？Gemini 3 Deep Think已能直出STL，可打印实物
推理模型赛道竞争激烈，谷歌 Gemini 3 Deep Think 迎来重大升级，能处理科研级、工程级、多条件约束问题，可将用户要求等建模成 3D 打印实体文件，还能用于多领域科研和工程，欲成科研工程‘第二大脑’。
通往通用人工智能的关键一步？DeepMind放大招，3D世界最强AI智能体SIMA 2
Google DeepMind发布SIMA 2，这是能在虚拟3D世界自主游戏、推理和学习的通用AI智能体。它集成Gemini模型，从指令跟随到主动认知跃进，泛化性能提升，还具备自我提升能力，为AI和机器人技术发展提供新路径。
AI在线强化学习“边做边学”，斯坦福团队让7B小模型性能飙升，甚至超越GPT-4o
斯坦福等团队提出新范式AgentFlow，由四个智能体组成，用在线强化学习持续提升智能体系统推理能力。以Qwen - 2.5 - 7B - Instruct为基座模型的它在多基准测试表现突出，甚至超越GPT - 4o等大模型。
更大，还能更快，更准！蚂蚁开源万亿参数语言模型Ling-1T，刷新多项SOTA
10月9日，蚂蚁开源万亿参数语言模型Ling-1T。它延续自研高效MoE架构，在编程、数学推理等多维度测试表现亮眼，还能兼顾精确与效率。此外，它在多场景实用性强，其创新设计提升了能效比与性能。
秘塔AI放大招！「边想边搜边做」，内置20+智能体，想法一键实现
在AI浪潮下，搜索正经历重构。秘塔AI推出「Agentic Search」模式，「边想边搜边做」，可自主完成多步工具调用，内置20余种工具。通过5个场景展示升级，从读懂用户到美化结果、精准计算、打通工作流等，让搜索进化为「帮达成」。
可灵2.5 Turbo太凶残：30%成本暴降+效果飞跃，生成体操动作可去参赛
快手推出可灵2.5 Turbo视频生成模型，在力量感、滞空感和物理感知上进步明显。官方称其在文本响应、动态效果等维度效果提升，高品质模式成本降30%。不过，它在物理认知方面仍有欠缺。
2万开源项目已用上，OpenAI下了盘大棋，Cursor，Codex智能体纷纷支持
据彭博社消息，DeepSeek计划年底发布可自主执行多步任务、自我学习进化的AI Agent。OpenAI开源的AGENTS.md已获5k星，为编码智能体提供使用说明，还给出示例和使用指南，相关智能体已用于2万开源项目。