「多模态理解与生成」共找到 3420 篇相关文章
分享10本我觉得AI时代应该必读的好书。
作者推荐10本非AI直接相关但对理解和学习AI有用的书，如《失控》助理解AI本质，《人有人的用处》探讨人机关系，《系统之美》揭示AI使用代价等，这些书构成AI时代底层方法论。
Gemini 3.5来了！今夜，谷歌亲手淘汰谷歌
谷歌I/O 2026大会火力全开，发布Gemini Omni、3.5 Flash、Spark等新品。Omni可接收任意输入生成视频，3.5 Flash性能强大，Spark是7×24h云端个人AI特工。谷歌多项能力同时到位，撕开了ASI入口。
陶哲轩：AI 正在让“想法”变得廉价，而真正的瓶颈从未改变
数学家陶哲轩与Dwarkesh Patel访谈，探讨AI在科学发现中的作用。他指出AI让‘想法生成’成本降为零，验证想法成新瓶颈；AI擅长广度，人类擅长深度；AI负责找证明，人类提炼‘理解’与‘智慧’。
NeurIPS 2025 Spotlight | FSDrive统一VLA和世界模型，推动自动驾驶迈向视觉推理
面向自动驾驶的多模态大模型存在问题，FSDrive提出“时空视觉CoT”，让模型“以图思考”，联合未来场景与感知结果进行可视化推理。该方法在不改动原有MLLM架构前提下激活图像生成能力，实验表现出色。
全模态RAG突破文本局限，港大构建跨模态一体化系统
香港大学黄超教授团队开源多模态智能处理系统RAG - Anything，突破传统RAG技术单一文本局限，整合多模态文档解析等核心能力，解决现有RAG系统痛点，具备多方面技术亮点，有便捷部署方式和多场景应用模式。
第一章：AI 技术前沿全景
文章聚焦AI Agent技术前沿，阐述大语言模型三次能力跃迁，从涌现能力到对齐指令遵循，再到推理与行动。还提及Scaling Law变化，推理时计算扩展更划算，介绍代表性推理方案及多模态融合，指出Agent打破传统对话AI局限。
Unsloth宣布更新，可免费用强化学习训练视觉大模型Qwen2.5-VL-7B
Unsloth宣布更新，支持视觉/多模态模型强化学习训练，含Gemma 3和Qwen2.5 - VL。其独特机制使VLM RL训练速度提升、显存占用降90%等。还引入GSPO算法，能在免费Colab T4 GPU训练Qwen2.5 - VL - 7B。
上下文记忆力媲美Genie3，且问世更早：港大和可灵提出场景一致的交互式视频世界模型
交互式长视频生成缺乏稳定场景记忆，制约下游应用落地。Google DeepMind的Genie 3有强场景一致性但未公开技术细节。港大和可灵提出的Context as Memory模型，上下文记忆力媲美Genie 3且投稿更早，还提升了计算效率。
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。
马斯克从英伟达挖人做AI游戏！第一步：研发世界模型
据《金融时报》报道，今年夏天xAI从英伟达挖来多名资深研究员入局世界模型。马斯克重申2026年底前发布AI生成游戏的目标，xAI首批落点或为电子游戏，还组建全模态团队，若各板块通过世界模型互通，其AI帝国将形成闭环。