搜索：多模态智能体

「多模态智能体」共找到 4168 篇相关文章

豆包大模型2.0+Claude Skills，3步装好，终于有AI能帮我"看视频做笔记"了！火山引擎全系列可用！

传统视频总结工具只基于音频总结，内容浅显。而豆包大模型2.0是多模态原生模型，能同时处理画面和声音。只需3步安装配置，就能让它真正“看”视频，输出详细笔记。

智源研究院发布国产开源统一图像生成模型OmniGen 2.0版本。它增强理解与生成能力，打通多模态生态。玩法简单，技术有创新，还引入反思机制和新基准，推理效率提升，且将全面开源。

清华团队开源 Alchemy 框架，它是面向自动化 AI 科研的标准化研究环境，能让 AI Scientist 摆脱工程负担，专注算法创新，还支持多领域、多任务，具有多种特性，在多模态推荐任务中表现出色。

文章提出 AgentVista 评测基准，含 209 道任务，横跨 7 大领域 25 个子方向。评测 14 个主流模型，最强的 Gemini - 3 - Pro 准确率仅 27.27%，揭示多模态 Agent 在视觉理解、工具调用等方面挑战大。

新加坡国立大学Show Lab团队开源Code2Video，能让代码变高质量教育视频，逻辑是用代码驱动视觉效果。它有智能解析等特性，可解决传统教学视频形式单一等问题，应用场景广泛。

创智学院团队发布的AI超智能系统ASI - ARCH，自主发现106个超越人类设计的神经网络架构，建立“科学发现缩放定律”，实现从“自动化优化”到“自动化创新”转变，还将成果开源推动研究发展。

伊利诺伊大学香槟分校与阿里通义实验室推出多模态推理强化学习算法PAPO。它用隐式感知损失设计，解决感知与推理脱节问题，在多基准测试中表现优，但有KL_prcp Hacking现象。

当下多模态大模型微调多「照搬」单模态微调策略，忽视模态差异。中国人民大学和上海人工智能实验室团队提出 MokA 方法，兼顾单模态与跨模态建模，在多基座、多场景实验中显著提升性能。

文章指出2026年是‘AI深度融合’元年，工具使用进入‘重塑工作流’阶段。作者筛选出Gemini全家桶、OpenCode等8款‘硬核’AI工具，介绍其特点和优势，如多模态、不设限、易用等。

OpenAI 直播中，Sam Altman 和 Jakub Pachocki 透露重磅信息，称个人 AGI 即将到来，未来光明。公布通向超级智能时间表，对深度学习有信心，谈及基础设施扩张、公司架构变化等，还预测科学发现进程。