「多模态技术」共找到 3554 篇相关文章
阿里千问负责人林俊旸突然离职，AI圈刷屏：Qwen 开源时代要变了吗？
3月4日凌晨，千问核心负责人林俊旸在X发文卸任。他是阿里最年轻P10级技术专家，主导研发多个关键项目。其离职引发关注，网友猜测Qwen或转向闭源，业内人士对他评价颇高。
CUTLASS 笔记 (2)：混合精度 GEMM kernel
文章介绍实现支持不同精度的 GEMM 算子，解析精度转换技术细节，还介绍根据 PTX 文档实现自定义 FP8 精度的 GEMM kernel，包括揭开 MMA Atom 面纱、分析 TV 与 MN Layout 等，最后完成精度验证。
Nature子刊：攻克医疗器械「看不清」难题，赋予自动驾驶视觉
MicroSyn-X首创无需真实数据的AI合成影像技术，让机器在无标注虚拟X光中学会追踪微型手术器械，突破医疗数据稀缺瓶颈，为自动化微创手术提供新路径，且代码和数据已开源。
模型声称会“脑补”，结果被论文打脸了？潜在空间想象竟是“摆设”！
多模态大模型中“潜在视觉推理”概念很火，研究者让模型在潜在空间“想象”。但清华和北交学者论文指出，潜在 Token 不关心输入、不影响输出、没信息量。作者提出 CapImagine 方案，效果远超潜在空间方法。
Dario Amodei真的很焦虑...
文章围绕Dario Amodei的采访展开，探讨AI多方面问题。他坚信计算要素假说，认为RL与预训练有相似规模化现象；预计一两年编码达AGI，十年内信心90%；谈AI盈利、算力采购、应用扩散等，还提及机器人革命和AGI定价。
自动化评测的九九归一——评测agent
本文提出统一评测Agent架构，实现评测全链路自动化。它能学习标注标准，完成自动标注等工作。还介绍架构、解耦方法、模型优化及训练方案，解决多模态幻觉等问题，提升机审率，节省标注成本。
蚂蚁开源世界模型LingBot-World：具有分钟级记忆的实时世界模拟器
蚂蚁集团旗下灵波科技开源具身智能模型及世界模型LingBot-World，它将视频生成模型进化成可交互世界模拟器，采用多阶段进化策略，有涌现记忆等能力，虽有不足，但为开源社区构建世界模型迈出坚实一步。
AI看不懂的色盲测试背后，藏着一场像素与诗意的战争。
作者和同事测试AI色盲测试图，多模态模型Gemini 3 Pro、Claude Opus 4.5等纷纷答错，仅GPT 5.2 Thinking答对且靠代码作弊。研究发现，AI看图断章取义，缺乏人类的“格式塔”能力。
BJIFF·电影+｜第十六届北京国际电影节AIGC电影单元征片公告
第十六届北京国际电影节AIGC电影单元开启征片，该单元已成长为全球关注的AI电影创作新阵地。介绍了组织架构、征集时间与范围、作品要求、荣誉设置等，还设有活动福利，致力于打造全球AI影视创新平台。
魔法原子迎来“春晚时刻”｜甲子光年
2026年，魔法原子成春晚智能机器人战略合作伙伴，还举办全球合作伙伴大会。其自研机器人挑战春晚复杂环境，此前全栈自研积累实力，有超亿元订单，靠场景和生态赋能突围，未来需转化技术优势为商业成功。