「视觉 - 语言智能体」共找到 4678 篇相关文章
首个全面梳理语音大模型发展脉络的权威综述，入选ACL 2025主会
香港中文大学团队语音语言模型综述论文《Recent Advances in Speech Language Models: A Survey》被 ACL 2025 主会议接收，这是该领域首个全面系统综述，指明语音 AI 未来方向，还剖析技术架构、训练策略等。
200块的音箱，1000亿的生意
智能音箱曾是风口，后出货量下滑。小米靠低价音箱集成Mesh网关，撬动IoT业务，2024年创收超千亿。同时，IoT业务解决了小米线下渠道问题，其产品线思路转变也带来新增长。
1w颗星！本地化视频翻译配音工具！
KrillinAI是多功能音视频本地化与增强方案，面向人类用户和AI Agent。它功能全，覆盖视频处理完整链路；特点多，支持CLI调用等；还兼容多种语音识别、大语言模型和TTS服务，可Docker部署。
国产多模态Agent拿下医学分割SOTA！不用改模型、不加token | 浙大&上海AI Lab
现有医学多模态大模型在分割生物医学图像时存在瓶颈，浙大蔡钰祥教授、上海AI Lab江彦开等人提出IBISAgent框架，将分割定义为多步视觉决策过程，实验显示其在多数据集上大幅领先对比方法。
「部署态」元年，这家公司就把落地方案卷到了七种
在4月17日上海举办的大会上，智元拿出四大全新机器人产品、六大AI模型、七大标准化生产力解决方案及全栈生态技术体系。其创始人认为具身智能正从“开发态”向“部署态”进化，2026年是元年。
深入理解OpenClaw技术架构与实现原理（下）
文章为《深入理解OpenClaw技术架构与实现原理（下）》，讲解各系统模块，如SandBox沙箱系统、记忆管理等，还介绍自进化、工作区与路由等机制，最后展望企业级智能体架构和应用方向演进。
马斯克将用最强Grok 5，挑战LOL最强战队T1！
马斯克让Grok 5戴「纯视觉感知」与「拟人延迟」镣铐挑战LOL传奇战队T1。这是终极图灵测试，AI像人一样感知与推理。对决为特斯拉Optimus练兵，若AI看懂团战，就能理解现实世界。
未来10000天的可能
作者认为凯文·凯利新书《未来10000天的可能》太水，有价值内容仅占10%。但赞同书中观点，如‘人工智能’应叫‘异人智能’，按人类样子打造AI会限制它，这也是一些大佬反对的‘拟人化陷阱’。
Prompt的尽头，居然是MBTI。
文章介绍了用MBTI人格优化大模型对话的技巧。论文《心理学增强AI智能体》证明给AI一个MBTI人格很有用，不同人格AI处理任务表现各异，还能组建性格互补的AI团队完成不同工作。
刚刚，Anthropic新作：大模型意识被发现了
Anthropic 最新研究发现 LLM 有可被语言化报告的全局工作空间（J - space），用 Jacobian Lens 技术能读出模型思考概念、干预推理，还可暴露其未说出口的意图，为 AI 安全审计提供新途径。