「多模态深度调研」共找到 1701 篇相关文章
ICML2025 | 揭示MLLM的图文联动推理能力
当前多模态大语言模型（MLLMs）在图文深度融合推理能力上面临挑战，现有评测基准无法真正检验该能力。EMMA基准应运而生，它从四大领域精选题目，采用双重过滤机制和细粒度标注体系，评测发现MLLMs存在多模态推理危机。
Nvidia GPU深度解析
文章深度解析Nvidia的B30A（传闻）、HGX H20、H100、B200和B300（Ultra）五款GPU，从架构、性能、内存、封装工艺和应用场景等方面对比差异，助读者选合适GPU。
LibTV这个邪修功能，大大减少AI视频抽卡次数！
作者分享在LibTV用「深度动作捕捉」功能做AI视频，将视频动作提取成深度图，可减少AI视频生成失败率，且不花积分，深度图管几何，提示词管外观，提一次能用多次。
确认！DeepSeek多模态AI已经开测
DeepSeek研究员陈小康、陈德里确认其V4视觉模式开始灰度测试。更新后出现识图模式，具备真实图像理解能力。陈小康是多模态研究组负责人，陈德里负责语言模型等核心方向，V4可谓满血归来。
Clawdbot 深度拆解： 7 个问题看懂它。
近日，AI技术圈焦点是开源项目Clawdbot（已改名Moltbot）。它是“全天候Jarvis”，GitHub星标超8万。本文深度拆解，介绍其概念、对比同类、分析独特魅力、创意场景、安装配置、运行原理及面临的挑战。
第 2 章 主流 Agent 模式深度解析
文章深度解析主流 Agent 模式，用生活化类比介绍了 ReAct、Plan - and - Execute、Tool Use、Reflection / Self - Critique 四种模式，阐述其技术要点、优缺点及适用场景，还对多模式进行对比。
多模态Qwen3-VL-Embedding开源&技术剖析
互联网内容多元，传统文本搜索引擎应对跨模态需求力不从心。阿里开源Qwen3-VL系列两大模型，Qwen3-VL-Embedding负责“海选”，Qwen3-VL-Reranker负责“决赛”，技术亮点多，实验表现优异。
ReAct范式深度解析：从理论到LangGraph实践
文章深度解析ReAct范式，从理论出发，介绍其原理及解决的传统AI问题。分析LangGraph中ReAct实现机制，结合智能解决方案系统案例展示应用价值，还给出手写实践及使用ReAct范式的总结建议。
MoCa：首个大规模双向多模态表征模型
为解决VLM用于嵌入的痛点，中国人民大学等机构研究者提出MoCa框架，可将单向注意力VLM训练成双向多模态编码器。它分两阶段，实验效果好，未来可拓展模态、提升多语言适应等。
视觉感知RAG × 多模态推理 × 强化学习 = VRAG-RL
数字化时代视觉信息愈发重要，传统RAG方法处理视觉信息面临挑战。阿里巴巴通义实验室的VRAG - RL将强化学习引入多模态智能体训练，革新检索生成范式，提升视觉语言模型多方面能力，代码已开源。