「通用多模态推理」共找到 3315 篇相关文章
DeepSeek 硬核开源 DeepSeek-OCR-2！弃用 CLIP 改用 Qwen，创新视觉因果流！
昨天开源社区热闹非凡，Kimi 发布 K2.5，DeepSeek 则推出 DeepSeek - OCR - 2，用 LLM 架构替换传统 CLIP 视觉编码器。它核心创新是视觉因果流，能智能规划阅读路径，性能高效且全量开源。
NotebookLM 平替来了：开源自托管的 Open Notebook，把资料留在自己电脑里
Open Notebook 是开源自托管项目，是 NotebookLM 平替。它解决了资料隐私、模型选择、可扩展性问题，有多种实用功能，提供两种 5 分钟上手方式，适合资料敏感、折腾模型及程序员等人群。
谷歌看了都沉默：自家「黑科技」火了，但为啥研发团队一无所知？
当科技圈为‘谷歌黑魔法’兴奋时，所谓‘并行验证循环’可能是AI生成的‘赛博跳大神’。它号称超越思维链，性能提升显著，但发帖者身份存疑，无可靠源链接，其真实性遭业内质疑。
Llama 4造假丑闻幕后：小扎豪赌143亿，却为中国AI「做了嫁衣」
Meta的Llama 4评测性能造假，OpenAI算力计划引恐慌，全球AI发展陷入困境。中国AI力量爆发，如DeepSeek、MiniMax等，以强大性能、高性价比和商业可持续性满足全球需求，在国际舞台崭露头角。
视觉生成的另一条路：Infinity 自回归架构的原理与实践
本文整理自字节跳动韩剑在AICon 2025北京站的分享，以Infinity为例介绍自回归视觉生成原理，对比其与扩散模型，展示Infinity升级方案成果，它在高分辨率文本到图像任务能与扩散模型竞争。
打造图像编辑领域的ImageNet？苹果用Nano Banana开源了一个超大数据集
苹果研究团队提出Pico - Banana - 400K数据集，基于Nano - Banana在OpenImages实拍照片生成编辑对。其系统化设计保证质量与多样性，还构建自我编辑评估流程，为图像编辑模型训练评测奠定基础。
Meta打碎Transformer 8年铁律！改写AI最底层规则，模型首次冒出潜意识
Meta推出「自由Transformer」新模型，打破自2017年以来GPT模型核心规则，在解码器引入潜在随机变量Z，增加“潜意识”。仅增约3%计算开销，在多测试中超越大规模模型，或开启后自回归时代。
69 页最新报告丨AI Agent 圣经：智能体的终极指南
AI Agent 定义下一轮科技创新浪潮，众多公司积极布局。CBINSIGHTS《AI Agent Bible》报告梳理其前景趋势，含六大预测与生态版图，解析市场格局等，还展示智能体重塑企业运营方式。
无限长、零掉帧！StableAvatar口型同步全新技术
当前音频驱动头像视频生成扩散模型合成长视频时难兼顾音频同步与身份一致，瓶颈在音频建模。复旦大学提出StableAvatar，首个端到端视频扩散Transformer，能无限时长生成，还介绍原理与演示效果。
Gemini CLI 重磅更新：现已支持音视频处理，并带来多项体验升级
Gemini CLI 迎来重磅更新，带来多项改进。新增音视频输入（暂未正式开启）、增强 Markdown 功能，集成 VSCodium 和 Neovim，技术栈升级至 Ink 6 和 React 19，还有主题更新、隐私管理等优化。