「多模态Agent」共找到 3498 篇相关文章
港中文联手美团开源“视觉推理通才”！图像视频10类任务一网打尽
香港中文大学MMLab与美团研究团队开源OneThinker模型，它可覆盖图像与视频十类核心视觉任务，在31项测试中表现出色，还展现泛化能力。研究团队搭建数据集，并引入EMA - GRPO算法提升训练稳定性。
NeurIPS 2025 | Code Graph Model：重塑代码大模型架构，利用“代码图”突破仓库级编程瓶颈
在 NeurIPS 2025 上，蚂蚁全模态代码算法团队展示「Code Graph Model (CGM)」，它将代码库图结构注入 LLM 底层注意力机制，打破业界刻板印象，在权威榜单上表现出色。文章解析其架构、训练策略和配套框架。
Gemini 3 上线两周，ChatGPT 日活下降 6%，Altman 内部信拉响红色警报
2025年12月初，AI领域权力转换，Google新一代多模态模型Gemini 3挑战ChatGPT。自其发布两周，OpenAI日活降6%。Sam Altman发内部信拉响警报，要求聚焦提升ChatGPT核心体验。
把 Nano Banana/Gemini 3 Pro 榨干！这几点你必须知道
Gemini 3 放出 Pro 和 Nano Banana Pro 两条线，前者主打长上下文、多模态推理，后者专攻像素级生成。文章提炼精髓，给出“通用 + 像素”双模实战笔记，介绍两者使用要点及创意场景实测。
DeepSeek重磅开源3B OCR模型，一天处理20万页文档！一天内斩获6K标星！
DeepSeek开源3B OCR模型DeepSeek - OCR，参数量仅30亿，单张A100 - 40G一天能处理20万页文档，不到24小时获6K标星。它是视觉压缩引擎，解决大模型处理长文本算力爆炸问题，有诸多技术亮点。
轻量高效，即插即用：Video-RAG为长视频理解带来新范式
现有视觉语言模型处理长视频面临诸多难题，厦门大学等联合提出轻量高效、无需微调的 Video-RAG 框架，采用多模态辅助文本检索增强生成，解决长视频理解问题，适用于多场景。
国产手机正从底层重构安卓！vivo版AI OS亮相了
在vivo开发者大会上，OriginOS 6正式亮相，AI功能全面更新，还首次上线Live Photo的AI消除。它用自研技术重构安卓底层核心，首发蓝河流畅引擎，从计算、显示、存储三大模块优化。
阿里云容器服务覆盖AI全流程，团队透露：OpenAI训练GPT时就用了我们的开源能力
拿下中国AI云市场第一后，阿里云技术产品负责人开展AI Infra分享会。其全栈云计算搭好技术架子，10万GPU集群高效互联，容器服务贯穿AI全流程，还透露OpenAI训练GPT时用了其开源能力。
Claude官方即将推出Chrome浏览器插件，可能....其它所有的AI浏览器插件都会死。
Claude官方即将推出Chrome浏览器插件，现正进行小范围测试。它功能强大，能在侧边栏操作页面，还能处理日程、邮件等工作。相比多数插件，它安全性高，或让仅能总结摘要的插件被淘汰。
每个token都在亏钱，但ARR9个月破亿！从烧光现金、裁掉一半员工到反杀Cursor，Replit CEO曝一年内如何极限翻盘
2024年初到2025年9个月内，Replit的ARR从不到1000万美元突破1亿美元。其增长基于系统性战略，从基础设施整合发力。创始人分享发展历程，还谈到AI编程趋势及产品边界等内容。