「多模态能力」共找到 3807 篇相关文章
闭源RSI的严父来了：18个Agent自主科研，Kimi K3靠Harness逼近Opus 5
开源AI基础设施公司Prime Intellect研究表明，借助多智能体Harness，让开源模型负责监控和实现，可让‘AI开发AI’更便宜、效果更好。实验中，Kimi K3搭配Harness逼近Opus 5。
刚刚，DeepSeek Harness震撼开源：一切皆插件
今天凌晨，DeepSeek Harness（开发者预览版）开源。它是构建智能体的SDK与框架，设计理念为“一切皆插件”，代码量大且模块化，通过配置文件组装不同智能体，还具备多方面创新设计和安全策略。
AI终于“长”进机器人身体里！机械臂学会用触觉思考
香港科技大学申亚京教授团队研发出具身机器人手臂 EmArm，实现亚毫米级触觉定位与实时‘感知 - 行动’闭环。研究还提出‘感知 - 驱动’一体化算法，为打造物理 AI 机器人提供可扩展技术路径。
看傻了！5k Star Canvas Editor，我被惊到啦～～～～
Canvas Editor是基于HTML `<canvas>` API的文档编辑器，自己控制绘制、分页、交互和导出。文章介绍其与普通编辑器差异、核心能力、适用场景、接入代码，也指出项目限制，认为它是架构新选择。
Agent 的 Token 账单怎么省？
AI 行业从生成式能力向 Agent 行动力跃迁，核心矛盾转向推理成本可控性。随着企业将 Agent 编入自动化流水线，Token 消耗受关注，业界开始聚焦以「降本」为核心的技术路线。
50FPS、成本打掉70%，魔芯MoWorld把世界模型带进产业时代
近期，魔芯科技联合浙江大学潘云鹤院士、华为等发布实时交互世界模型MoWorld，推理速度超50FPS，部署成本仅为同规模GPU方案的30%。它全链路优化，将用于多行业，魔芯也完成亿元美金融资。
诺奖得主和Claude联手发论文，结论是：AI时代更需“笨功夫”
7月，诺奖得主乔治·帕里西与弗朗西斯科·赞波尼发表论文，借助Claude终结困扰领域十二年的猜想。此前帕里西批判AI，此次合作后态度转变，强调人机协作及人类独立思考的重要性。
阿里发布首个「音视频实时交互」模型，实现数字人实时视频聊天
阿里发布原生流媒体端到端模型Wan - Streamer v0.1，能实时聆听、观看、思考、说话和响应视频。它在单个Transformer内完成感知等操作，延迟低，具备端到端多模态统一、低延迟等特点。
每周产业洞察 |95分钟AI长片登上戛纳，会用AI的传统影视人 ，正在成为“稀缺产业资源”
北京AIGC视听产业创新中心位于朝阳区，由多方参与，采取‘共创、共建、共享’模式。首创郎园负责运营，提供六大服务平台，截至2025年8月汇聚近百家生态合作伙伴。首创郎园不断拓展服务能力边界。
ACL 2026｜证据摊开看，场景图画清：让流式视频大模型拿捏「何时开口」
随着多模态和大语言模型发展，人类与 AI 交互走向共生。现有视频大模型难把握响应时机，西北工业大学等团队在 ACL 2026 提出 Response - G1 框架，实验显示其提升了模型性能。