「多模态Skill」共找到 1274 篇相关文章
更新啦！我用 Claude Skills 做的剪辑 Agent!识别效果+交互大升级
作者成峰根据用户反馈对剪辑 Skills 做了大改，替换火山引擎音视频识别模型、提升交互界面。改进包括用 API 替代本地模型、重构口误识别系统、设可视化审核界面，还介绍了简单使用方法。
世界模型有了开源基座Emu3.5！拿下多模态SOTA，性能超越Nano Banana
北京智源人工智能研究院的悟界·Emu3.5是最新最强的开源原生多模态世界模型，能处理图、文、视频任务，在多项权威基准上性能亮眼，还具备理解长时序等能力，背后有技术创新，且选择开源。
首个多模态工业信号基座模型FISHER，权重已开源，来自清华&上交等
清华、上交等团队联合发布首个多模态工业信号基座模型 FISHER，用搭积木法对异质工业信号统一建模。技术报告和权重已开源，还提出 RMIS 基准评估性能，实验显示其泛化能力强。
Stream-Omni：同时支持各种模态组合交互的文本-视觉-语音多模态大模型
中国科学院计算技术研究所团队提出文本-视觉-语音多模态大模型Stream-Omni，能支持多种模态组合交互。它对各模态关系针对性建模，实现高效灵活的模态对齐，仅用少量语音数据就有多种交互能力。
拯救P图废柴，阿里上新多模态模型Qwen-VLo！人人免费可玩
昨夜阿里推出全新多模态模型Qwen-VLo，在原有能力上全面升级，有细节捕捉、图像编辑、多语言支持等亮点，不受固定格式限制。官方demo展示多种玩法，目前免费可玩，实测其编辑能力不错。
多模态模型挑战北京杭州地铁图！o3成绩显著，但跟人类有差距
近年来，多模态大模型在多种场景取得进展，但能否‘看懂图’存疑。西湖大学等团队提出评测基准ReasonMap，评估模型在地铁图理解中的能力，发现主流模型有瓶颈，闭源模型虽优但仍逊于人类。
别人忙着卷Code，Kimi抽身反打浏览器插件：网页操作一秒变Skill
月之暗面Kimi在发布Kimi Code Desktop后，升级原有的Kimi WebBridge，推出新版Kimi浏览器扩展，新增侧边栏入口，支持将网页操作录制保存为Skill方便后续复用，适合处理重复网页工作，和Kimi Code Desktop配合拓展了Agent的能力边界。
Agent Skill 开发者大赛总决赛圆满落幕，共探智能体技术落地新未来
2026年5月22日，Agent Skill开发者大赛总决赛在上海举办，采用双轨模式，38支队伍参赛，覆盖多元场景。大赛由多社区主办、多单位协办，揭晓企业组、高校组特等奖等，推动智能体技术落地。
浪费20亿Token之后，我做了一个帮自己定义目标的Skill。
作者在浪费20亿Token后，开源了帮定义目标的Leader.skill。它能将模糊需求转为清晰目标，适用于多模型组合。还阐述人类与Agent交互范式转变及目标定义要点，给出目标七问方法论。
打破确定性魔咒！北航团队提出VBF++：用“不确定性建模”刷新多模态视频推荐 SOTA
北京航空航天大学和北京邮电大学联合提出VBF++框架，将多模态融合从“点估计”升级为“分布建模”。它由上下文感知先验、推荐引导的对抗优化和元学习三大组件构成，在多个数据集上刷新SOTA。