搜索：多模态生成与理解统一

「多模态生成与理解统一」共找到 3438 篇相关文章

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。

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。

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。

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。

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。

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。

Anthropic联创Jack Clark警告熟知的互联网正在消亡。Moltbook作为专为AI智能体打造的社交网络，预示未来互联网将由智能体主宰，人类会感孤独，或需翻译智能体解读局面。

此综述论文探讨LLM时代事件抽取价值，认为其未被削弱，应视为“认知脚手架”。它系统梳理任务分类、方法演进等，还提出六大未来研究方向，指向将其演化为智能感知与记忆层。