搜索：多模态指令数据合成

「多模态指令数据合成」共找到 3412 篇相关文章

谷歌Nano Banana 2 来了，图片AGI提前到来？

伴随Gemini 3、GPT 5.1小道消息，谷歌Nano Banana 2提前到来。它采用多步骤生成流程，有自我纠错循环，能替代部分Photoshop功能，在细节、配色等方面比一代提升明显，即将正式上线。

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。

在vivo开发者大会上，OriginOS 6正式亮相，AI功能全面更新，还首次上线Live Photo的AI消除。它用自研技术重构安卓底层核心，首发蓝河流畅引擎，从计算、显示、存储三大模块优化。

由多方联合举办的‘2025深圳国际金融科技大赛’9月26日开赛。大赛已办七年，本届设人工智能、数据分析赛道，响应国家号召，为学生搭实践平台，设50万奖金，9月26日起高校学生可报名。

谷歌推出首个广泛开放给开发者的机器人具身推理模型Gemini Robotics - ER 1.5，可作为机器人高级推理大脑。它能解决物理问题，有新能力如快速空间推理等，还能让开发者平衡延迟与准确性。

近年来，LLM代理需长期内存系统，但现有系统缺乏灵活性。论文提出A - Mem能动内存系统，受Zettelkasten启发，能让记忆‘自我整理’和‘自我更新’，在多基准测试领先，也指出了局限性和未来方向。

在智能计算和网络演进背景下，北大刘古月课题组聚焦网络研究。其 5 篇论文入选 ACM SIGCOMM 2025，从架构、数据、运维、安全四个维度形成技术闭环，推动新一代网络系统发展。