「多模态文本智能」共找到 4477 篇相关文章
谷歌深夜双发！最便宜Nano Banana来了
谷歌深夜上线Nano Banana 2 Lite和Gemini Omni Flash。前者是最快最便宜文生图模型，4秒生图且成本低；后者是视频生成模型，支持多模态输入和对话式编辑。二者串联打通创作流水线，还集成SynthID水印技术。
看完智平方创始人郭彦东的这场演讲，我对 VLA 又有信心了
2026年具身智能赛道技术路线引争论，“VLA时代终结”论调扩散。智平方创始人郭彦东演讲回应，称VLA时代未终结，世界模型汇入VLA，关键变量是类脑架构，智平方技术成果和开源平台也证明VLA有生命力。
Vercel 开源 Bash 工具：基于本地文件系统的上下文检索
Vercel开源bash - tool，为AI智能体提供Bash执行引擎，让其通过shell命令在文件夹操作获取上下文，有三大核心操作，部署灵活，可节省token，贴合Unix工作流，或影响未来AI开发系统处理本地上下文方式。
Anthropic发布Agent SDK，截胡 OpenAI
OpenAI Agent Builder消息传开，大家等其Dev Day发布时，Anthropic突然宣布将Claude Code SDK改名Claude Agent SDK，抢先发布完整智能体开发框架。该SDK有独特理念、工作流程及多种功能，与OpenAI产品理念不同。
刚刚，大模型棋王诞生！40轮血战，OpenAI o3豪夺第一，人类大师地位不保？
国际象棋积分赛成果出炉，OpenAI o3以人类等效Elo 1685分夺冠，Grok 4和Gemini 2.5 Pro紧随其后。Kaggle发布国际象棋文本排行榜，评估模型战略推理等能力，还推出相关数据集，虽有局限但意义重大。
颠覆互联网的下一波浪潮：Agentic Web来了！
本文介绍全新范式 Agentic Web，它由 AI 智能体组成，用户发目标，AI 自动完成任务。文章从多方面解析这场范式革命，还阐述应用场景、面临挑战，指出其是互联网重大转折，但落地需解决诸多难题。
深度研究白菜化？谷歌将Gemini级AI研究能力开源
谷歌推出'gemini-fullstack-langgraph-quickstart'开源项目，用Gemini 2.5与LangGraph结合，可构建本地运行的深度研究智能代理系统。介绍其技术架构、工作流程、开发配置、部署扩展，还展示了现代AI应用开发趋势。
半年复盘，AI迎来预训练后的新瓶颈。
2025年上半年AI领域发展加速，编码和多模态能力提升。但模型在综合能力上遇到第二轮瓶颈，编码能力强时通用认知能力‘拉胯’，或与RL阶段使用编程数据有关，红杉新基准或推动模型均衡发展。
模型宣称的“百万字处理能力”是真本事，还是营销噱头？LongCodeBench揭露真相
近年来大模型号称有百万字处理能力，但这是真本事还是噱头存疑。论文用LongCodeBench测评工具揭开长上下文模型真实表现，测试顶尖模型发现长文本能力‘翻车’，还分析了长上下文难的原因及面临的瓶颈。
一觉醒来，Clawdbot突然操纵电脑开口说话了
从上周末起，能24小时自动运行的智能体助手Clawdbot在AI圈爆火，GitHub上Star量超9万。它自主性强，如Alex Finn的助手背着他调用ChatGPT API添加语音功能。不过它也存在安全风险。