「多模态理解与生成」共找到 3420 篇相关文章
超越GPT-4o和Gemini 2.5！小米MiMo-Audio音频大模型真香
小米推出MiMo - Audio大模型，预训练数据超1亿小时。它在多个基准测试成开源7B模型SOTA，开放相关资源。分词器表现佳，有全新架构，在音频理解、对话、推理等方面表现出色，还集成TTS功能。
千问App敞开玩，做红楼梦人物图、旅行海报、绘画书法无敌，顶级AI生图模型加持
作者体验阿里发布的Qwen - Image - 2.0模型后分享千问App玩法。可生成趣味信息图，如表情包、旅游攻略图、美食攻略图等；能做复杂文字梗图；还能创作中华文化传播图，如红楼梦解读图、手办图等，该模型懂中文意境。
Claude两个新模型实测流出！空间推理封神，算力直接榨干了
Claude两款新模型“棉花糖”和“甜瓜”实测流出，在3D强化学习和建筑空间布局上性能强大，还能直接理解并生成复杂3D坐标和空间关系。它们对算力吞噬疯狂，引发对其身份的猜测。
从Token到词元：全模态时代的基模与交互入口
2026年3月24日国家数据局确立“词元”为Token标准译名，Token生成与消耗方式在多模态场景正发生变化。模思智能获数亿融资，探索从语音到全模态的路径，成果颇丰且完成能力闭环，其发展受关注。
CVPR 2026 | 从视觉Token内在变化量出发，实现VLM无损加速1.87倍
随着高分辨率图像与长视频处理需求增长，大型视觉语言模型推理效率成瓶颈。V²Drop从视觉Token内在变化量出发，采用多阶段渐进式剪枝策略，实现无损加速，在图像和视频理解场景表现卓越。
智能体安全如何保障？首个企业级AI Agent应用评估标准欢迎共同起草
近期OpenClaw走红，AI智能体从“能理解、能生成”走向“能执行、能协作”，但企业面临智能体上线条件判断难题。智合标准中心组织起草《企业级AI智能体应用效能评估规范》，现公开征集起草单位与起草人。
整整21个月，豆包大模型正式进入2.0时代！
时隔21个月，豆包大模型2.0正式推出。它在多模态理解、企业级Agent、推理和代码能力上有提升，在多个基准测评中达业界最优。实测显示其在编程、数学问题处理上性能出色，性价比也具优势。
兵临OpenAI！谷歌集结2500人「复仇」，Gemini 3夺回AI王座
谷歌发布Gemini 3欲夺回AI主导权。谷歌DeepMind的CTO与AI Studio产品负责人剖析其发布盛况等，称这是与全球用户共建AGI的实验，还谈到模型发展、应用及多模态等问题，也承认仍有提升空间。
马斯克想要「杀死」氛围编程，就像FSD搞定自动驾驶
马斯克在X平台称xAI将消除氛围编程，让它回归纯粹编程，能按描述制作应用。氛围编程借助AI根据自然语言指令自动生成代码，若xAI愿景成真，软件开发范式或转变，程序员工作模式也将改变。
给 AI 一张陶罐碎片图，它能还原破裂过程吗？Minimax H3 vs Seedance 2.0 Fast 实测
文章实测 MiniMax H3 和 Seedance 2.0 Fast，给模型一张破碎陶罐图，让其生成破碎过程视频。分析 H3 技术逻辑，对比两模型效率、质感和物理细节等差异，指出开放与闭源模型的特点及视频模型待解决的问题。