「多模态理解与生成」共找到 3425 篇相关文章
告别Sora！从巅峰到黯然离场不到一年半，团队将转向物理AI
2026年3月24日，OpenAI宣布关闭视频生成应用Sora。Sora曾惊艳全球，但因合规麻烦、行业阻击、算力成本高、商业回报低等问题走向关停。团队将转向物理AI，聚焦世界模拟研究。
西湖大学王东林团队论文：机器人需要“通古今，知未来”丨CVPR 2026
西湖大学王东林团队提出论文《HiF-VLA：Hindsight, Insight and Foresight for Vision-Language-Action Models》，介绍HiF-VLA模型，它以“运动”表达时间信息，实现稳定连续决策，性能提升且计算成本低，推动机器人从“看到就做”到“边想边做”。
拖拽视频编辑进入流式时代！任意时刻、任意内容，实时修改 | ICLR'26
新加坡南洋理工大学和合肥工业大学研究人员在ICLR 2026提出REVEL任务，打造免训练DragStream方法，实现视频生成时实时拖拽编辑，支持多种操作，破解两大难题，实验显示效果、泛化性佳。
CUTLASS 笔记 (2)：混合精度 GEMM kernel
文章介绍实现支持不同精度的 GEMM 算子，解析精度转换技术细节，还介绍根据 PTX 文档实现自定义 FP8 精度的 GEMM kernel，包括揭开 MMA Atom 面纱、分析 TV 与 MN Layout 等，最后完成精度验证。
罕见！Meta、OpenAI、xAI联合分享了用生产环境提升LLM的最佳实践！
Meta、OpenAI、xAI联合发表成果CharacterFlywheel，聚焦在生产环境提升社交型AI对话能力。团队基于LLaMA 3.1迭代15个版本，7/8的A/B测试显示正向提升，介绍了架构、数据管道、奖励模型等内容。
刚开源仅3天狂揽4.9K star，轻量超高效版OpenClaw，10美元硬件就能跑！
OpenClaw火遍全网但硬件要求高、成本不菲。新开源的PicoClaw是其轻量替代方案，由Sipeed开发，内存占用少、启动快、成本低、便携性强，安装简单，功能多样，刚开源就成热议新星。
蚂蚁集团扩散大语言模型新突破：超800Token/s，速度与质量兼得
蚂蚁集团将LLaDA更新到2.1，通过引入“草稿 - 编辑”机制，打破扩散模型推理速度与质量的对立僵局。它有极速和质量两种模式，还采用混合训练流程及强化学习，在多基准测试中表现出色。
字节开源GUI Agent登顶GitHub热榜，豆包手机核心技术突破26k Star
字节开源的豆包手机核心支撑GUI Agent模型UI - TARS登顶GitHub热榜，突破26k Star。它是多模态AI智能体，纯视觉驱动，部署简单，历经多轮迭代，成为热门开源多模态Agent。
在参与OpenAI、Google、Amazon的50个AI项目后，他们总结出了大多数AI产品失败的原因
Aishwarya Naresh Reganti 和 Kiriti Badam 参与超50个企业级AI产品构建。他们指出，如今AI产品构建成本降低，但多数仍失败。还分享开发陷阱与路径，如从低自治高控制起步、建立CC/CD框架等，也对AI未来发表看法。
灭霸带着复联放烟花！16秒，让手搓 AI 视频拥有大片即视感
生数科技的Vidu Q3超越Sora 2，位居全球第二、中国第一。它能16秒声画同出、叙事能力强、镜头和文字渲染出色，还降低了视频制作门槛，可用于漫剧、短剧、影视剧制作。