「多模态指令数据合成」共找到 3412 篇相关文章
ICML 2025 Spotlight｜南洋理工陶大程教授团队等提出基于RAG的高分辨率图像感知框架，准确率提高20%
南洋理工陶大程教授团队等合作，为解决多模态大语言模型处理高分辨率图像问题，探索 RAG 应用可行性，提出 Retrieval-Augmented Perception (RAP) 框架，在多任务上提升性能，已被 ICML 2025 接收。
通过查看GPU Assembly分析CUDA程序
文章是关于通过分析SASS代码提高内存受限CUDA程序性能的笔记。以向量复制程序为例，对比普通和向量化版本，通过查看SASS代码，解释向量化版本性能更快的原因是加载/存储数据量更大、启动块数更少。
超低延迟的端到端语音模型！首次生成音频仅需53ms，比同级别模型快3-5倍！
随着语音应用场景普及，语音大模型响应慢成瓶颈。VITA团队开源端到端语音模型VITA - Audio，7B参数模型首次生成音频仅53毫秒，比同级别快3 - 5倍，完全开源，有超低延迟等优势。
AI重塑搜索：夸克“深度搜索”如何定义下一代信息入口｜甲子光年
大模型发展推动搜索产品革新，“搜索”变“深度搜索”。夸克升级AI超级框发布“深度搜索”，即将推出“深度搜索Pro”。其“深度搜索”情商高，“深度搜索Pro”免费、快速、专业，夸克正打造AI全能助手。
李飞飞发布Atlas，世界模型进入新时代
李飞飞创业公司 World Labs 发布新一代世界模型 Atlas，它是全模态模型，能处理四模态数据。其核心为空间上下文设计，评测成绩不错，应用场景丰富，公司发展节奏密集，产品路径有转向。
鹿明发布NexCore：当机器人技能成为一种基础设施
8月19日鹿明机器人发布具身智能进化引擎Lumos NexCore，试图在数据、模型等与机器人间建立生产与运行链路，让机器人能力成可复用‘技能资产’，解决具身智能技能生产效率问题。
VLM会描述视频，却未必用对参考图：RefCaptioner让参考图与视频语义精准对应
多模态大模型处理多参考图与视频对应关系能力不足。为此提出 RefCaptioner，强化模型对参考图识别感应能力、优化输出格式与奖励函数；还构建 MRVBench 评测基准，实验显示其表现优异。
2026「中国 AGI 创新影响力机构 TOP 30」发布
过去一年 AI 行业变化溢出模型层，Coding Agent 铺开，视频生成实现商业变现，具身智能供应链成型。Founder Park 从四维度选出「中国 AGI 创新影响力机构 TOP 30」，涵盖多领域团队。
具身智能的「ChatGPT时刻」还没到，科沃斯先把机器人拆开了
科沃斯将旗下具身智能机器人“八界”开源，成立“八界开源智创空间”，开放从硬件到底层系统的使用权限。该机器人由轮式底盘加机械臂构成，科沃斯董事长钱东奇不看好人形及VLA技术路线。
世界模型的新用途：不做选手，去当裁判
眼下具身赛道都在抢着做机器人的“大脑”，而地瓜机器人发布的世界模型Uranus却剑走偏锋，做机器人开发的基础设施。它能更客观地评测VLA和世界模型，还能做机器人训练的“场地”。