「视觉 - 语言智能体」共找到 4681 篇相关文章
Apple发布新SOTA Manzano：混合Tokenizer破解多模态统一难题，理解与生成双翼齐飞
多模态AI前景广，但现有模型在理解和生成任务上存在性能冲突。苹果提出Manzano模型，用混合视觉标记器降低任务冲突，结构简单可扩展，在多基准测试达SoTA水平，还展示图像编辑潜力。
谷歌发布AP2协议，联手PayPal放大招：AI要自己下单了
2025年9月17日，谷歌推出智能体支付协议AP2并开源，宣布与PayPal战略合作。AP2通过‘授权令牌’解决AI下单信任问题，设计三种场景令牌，还采用角色架构保证安全，谷歌联合超60方搭建生态。
UIUC提出隐式监督新范式：无需标注/RM即可全面提升多模态Reasoning的感知能力
大型多模态模型在复杂多模态推理中面临挑战，67%错误源于视觉感知缺陷。为此，UIUC提出PAPO，通过隐式感知损失提升模型感知能力，无需额外标注，在多模态基准上表现优异，还解决了KL黑客问题。
Jeff Dean：一年内 AI 将取代初级工程师，网友：“Altman 只会画饼，Jeff 说的话才致命”
谷歌传奇工程师 Jeff Dean 在访谈中预测，一年内将有具备‘初级工程师’能力的 AI 系统。他还谈到 AI 发展方向、智能体潜力、大模型格局等，也提及硬件重要性及 AI 在科研领域的影响。
给企业当“AI管家”，以色列初创一年估值50亿
当地时间9月2日，荷兰AI初创公司Wonderful完成5.5亿美元C轮融资，估值达50亿。其提供AI操作系统，让不同AI共享数据、协作。它解决企业多智能体协同难题，产品已在以色列医疗保健机构取得良好效果。
刚刚，Anthropic开源Claude挑战黎曼猜想的4篇论文
Anthropic开源未公开版本Claude挑战黎曼猜想的4篇论文。Claude虽未证出猜想，但将零点在临界线上的比例下界从41.6%推到67.2%。整个过程由多智能体自主完成，还建立严格验证体系。
亚历山大王回应一切：LeCun、Manus，“我的父母都是中国人”
亚历山大王加入Meta近一年后首次公开回应争议。他谈了Muse Spark技术逻辑、Meta超级智能实验室架构等，还分享八卦，如与奥特曼决裂代价、小扎抢人真相，认为AI终局未开始，科技行业将分层。
不增加人手，项目效率飙升45%，OpenAI公开了一套AI实战经验
OpenAI公开基于大语言模型和专属Skill包的开源仓库维护方法论，将重复工作自动化，使项目代码合并吞吐量飙升45%。该方法由AGENTS.md、Skill包和GitHub Actions构成，还涉及任务分配、验证策略等。
做AI产品三年复盘，我看到的变与不变
作者复盘做AI产品三年经历，从自身、行业、世界三个视角谈变与不变。个人工作方式巨变，行业如营销、金融受AI影响，ClaudeCode等产品带来新变革，指出Context是不变核心，深度垂直领域智能体机会大。
视听分离SOTA提速6倍！清华发布首个6M高性能模型｜ICLR'26
清华大学团队推出Dolphin模型，仅用6M参数，通过离散化视觉编码和热扩散注意力机制，实现单次推理精准分离语音，速度提升6倍以上，在多项基准测试中刷新纪录，为端侧设备部署开辟新路。