「多模态理解与生成」共找到 3420 篇相关文章
CVPR 2026｜清华联合美团推出3DThinker，首个用3D意象思考的工作
当前多模态大模型在空间理解任务表现弱，缺乏对几何信息提取能力。清华联合美团推出3DThinker，无需3D标注和外部工具，让模型内蕴‘想象’三维场景，在多基准上提升效果，且具备一定可解释性。
黑马图像模型被Nano Banana技术负责人点赞！15人华人小队，DDIM之父&CVPR最佳论文作者带队
Luma AI推出全新图像模型Uni - 1，对标谷歌Nano Banana Pro和GPT Image 1.5。它是统一图像理解与生成模型，多项评测表现出色。背后是不到15人的华人团队，由DDIM之父和CVPR最佳论文作者带队。
56倍加速生成式策略：西交大提出EfficientFlow，迈向高效具身智能
生成式模型在机器人和具身智能领域面临训练依赖大量数据、推理慢的问题。西安交通大学团队提出EfficientFlow，融合等变建模与高效流匹配，提升数据效率，压缩推理迭代步数，在多基准实现SOTA，推理提效显著。
扩散模型+自进化：这篇论文让Deep Researcher错误率直降70%
论文提出测试时扩散深度研究代理（TTD-DR），将报告生成建模为扩散过程，有组件自进化机制和动态闭环设计。实验显示其在多领域研究任务超现有方案，为AI研究助手落地提供新范式。
拳打可灵，脚踢 Veo 3，谁是物理世界的「懂王」？
多模态视频生成大模型是复杂系统工程，多为巨头游戏。MiniMax的Hailuo 02发布，ELO得分超谷歌Veo 3和快手Kling 2.0。它能呈现复杂运动，处理物理关系，提升训练推理效率，成本低，后续还将更新。
神秘具身团队又放出一连串很炸的Demo视频…自进化模型，技术路线曝光
神秘具身团队放出一连串Demo视频，其内部代号“MVP”的模型让机器人似人般思考决策。视频展示机器人在不同场景下的表现，如躲避推搡、做家务、机器人协作、高效收纳等，体现对物理规则和人类习惯的理解与自进化能力。
靠AI把股价干涨735%，这家公司开始成批裁掉可替代岗，全员招聘须CEO点头
AppLovin联合创始人兼CEO Adam Foroughi分享公司发展历程。他曾借钱60亿美元回购股票获600亿美元回报，押注AI使股价涨735%。公司经历人员结构调整，清退老高管和可被LLM自动化岗位，招聘须他亲批，超80%代码由大语言模型生成。
Wan3.0正式上线千问AI平台：稳定、真实、有质感
今天，视频生成模型Wan3.0正式上线千问AI平台。它在多维度全面升级，公测以来收到大量反馈，获创作者、企业用户等好评。在多领域经检验表现出色，还持续进化，部分API限时7折，已被多平台接入。
WPS没有忘记WPS｜甲子光年
在世界人工智能大会上，多家企业推出AI PPT类产品，但大多只能生成，不会使用PPT。金山办公发布WPS AI 3.0版本——WPS灵犀，它是原生Office办公智能体，能像人一样使用办公软件，还带来灵犀语音助手和WPS知识库。
“不爱龙虾爱马仕”，为什么Hermes比OpenClaw更值得
文章对比了Hermes Agent和OpenClaw，Hermes由Nous Research出品，开源免费，安装便捷，支持多模型。其核心是闭环学习循环，能自我进化，技能可自动生成和更新，记忆系统更优，在多场景有优势，安全设计好。