搜索：多模态数据湖

「多模态数据湖」共找到 3210 篇相关文章

Gemini 3 上线两周，ChatGPT 日活下降 6%，Altman 内部信拉响红色警报

2025年12月初，AI领域权力转换，Google新一代多模态模型Gemini 3挑战ChatGPT。自其发布两周，OpenAI日活降6%。Sam Altman发内部信拉响警报，要求聚焦提升ChatGPT核心体验。

截至2025年底，Gemini在桌面和移动网页端单次使用平均停留时长超ChatGPT，下载量也快速追赶。谷歌CEO Sundar Pichai称这是全栈投入成果，还提及早期谷歌文化回流，也谈到未来十年押注等内容。

本文介绍Claude Skills写作指南，指出传统提示词使用麻烦，而Skills能解决问题。阐述其适用场景、定义、原理，还讲了创建方法、作者实践及完整写作工作流，可按需管理提示词。

Gemini 3 放出 Pro 和 Nano Banana Pro 两条线，前者主打长上下文、多模态推理，后者专攻像素级生成。文章提炼精髓，给出“通用 + 像素”双模实战笔记，介绍两者使用要点及创意场景实测。

视频编码中双向编码潜力待挖掘，快手音视频技术团队提出BRHVC方法，解决长跨度帧运动处理和参考贡献不平衡问题，其成果被NeurIPS 2025录用，在压缩性能上超越VTM - RA编码。

生成式AI在三维空间面临挑战，传统3D生成成果粗糙难编辑。团队推出MeshCoder，将三维输入翻译成结构化代码，有分部件生成等优势。介绍其实现路径、实验性能，也指出局限并展望未来。

两人小团队仅用两周复刻DeepSeek-OCR，复刻版DeepOCR还原其低token高压缩核心优势，还在关键任务上追上原版表现。它完全开源，无需大规模算力集群，训练方案适配中小团队。

DeepSeek开源3B OCR模型DeepSeek - OCR，参数量仅30亿，单张A100 - 40G一天能处理20万页文档，不到24小时获6K标星。它是视觉压缩引擎，解决大模型处理长文本算力爆炸问题，有诸多技术亮点。

现有视觉语言模型处理长视频面临诸多难题，厦门大学等联合提出轻量高效、无需微调的 Video-RAG 框架，采用多模态辅助文本检索增强生成，解决长视频理解问题，适用于多场景。

INSAIT、复旦大学等联合提出ObjectRelator框架，让AI精准匹配不同视角下同一物体，实现跨视角统一表征与理解。它在Ego转Exo和Exo转Ego任务上超基线模型，已被ICCV 2025接收，代码开源。