「大模型3.0」共找到 10041 篇相关文章
Andrej Karpathy 辣评Veo 3：视频生成将直接优化人类的注意力，TikTok只是弟弟
Andrej Karpathy发文对Google的Veo 3视频生成模型发表见解，指出视频生成技术进步带来四个关键转变，认为视频将成AI与人类交流绝佳界面，也引发众人对其利弊的讨论。
清华系团队出手！一张 4090 即可「爆改」，1.3B小钢炮震撼开源
5月11日，清华系团队面壁智能联合多方开源端侧多模态大模型MiniCPM-V 4.6。它参数仅1.3B，性能超阿里、谷歌等同级对手，效率翻倍，还实现两项架构创新，适配主流开源生态，降低开发门槛。
最鲁棒的MLLM！港科大开源「退化感知推理新范式」 | AAAI'26
多模态大语言模型（MLLMs）在真实世界视觉退化下性能崩溃，制约产业落地。港科大等团队开源的Robust - R1被AAAI 2026接收为Oral，提出显式结构化推理新范式，实现质量与鲁棒性双重突破。
3B Image Captioning小钢炮重磅来袭，性能比肩Qwen2.5-VL-72B
文章推荐Dense Image Captioning新技术CapRL，它首次将DeepSeek - R1强化学习法用于image captioning，创新定义reward。训练的CapRL - 3B模型性能比肩Qwen2.5 - VL - 72B，解决了reward设计难题，已开源相关内容。
阿里 Qwen3-TTS 全新上线！支持9种方言+49种音色，连天津味儿都拿捏了！
阿里通义团队上新 Qwen3-TTS 文本转语音模型，主打拟人语音表达、丰富音色体系与多语言多方言能力。有 49 种高保真音色，支持 10 种语言、9 种方言，还能智能调节语速和韵律。
从「会表演」到「更会演」：KlingAvatar2.0让数字人拥有生动灵魂
近日快手可灵团队发布 KlingAvatar2.0 技术报告，数字人能‘生动表达’。它有三大创新技术，如时空级联框架等。实验显示其生动性大幅提升，性能超竞品，推动数字人在多领域规模化应用。
扩散模型自引导新范式：直接交换token就能变强！ | CVPR‘26 Oral
上海交大和vivo研究者提出自交换引导（SSG），不依赖文本条件、不加噪声、不改模型，只交换token特征。在多数据集实验中，SSG表现超现有方法。不过，其缺理论支撑、计算开销大。
推理正确率下降65.5%！斯坦福、MIT等用「不等式」拷问AI逻辑极限
大语言模型在数学证明常现推理漏洞，斯坦福等高校团队提出IneqMath基准评估其严谨性。用不等式证明题切入，拆解为子任务，构建评测体系，用LLM - as - Judge审查。结果显示模型推理正确率低，存在结构性缺陷。
数字技术工人已到岗！时序大模型+Agent已掌握了工厂生产管控技术，比人类更懂工况
基于时序大模型和Agent的数字技术工人，能承担生产操作等关键任务，接手复杂工业环节。国内AI团队打造的河谷平台构建智能体，自研底层技术，以工艺维度训练，上岗快，极峰科技还创新商业模式。
12秒生成1万token！谷歌推出文本「扩散模型」Gemini Diffusion，研究员：演示都得降速看
谷歌将图像生成常用的“扩散技术”引入语言模型，推出Gemini Diffusion，12秒能生成1万tokens，速度比Gemini 2.0 Flash - Lite更快。它通过逐步优化噪声学习生成输出，目前是实验性演示，可申请体验。