搜索：多模态理解与生成

「多模态理解与生成」共找到 3438 篇相关文章

两个Ilya的宿命轮回：老黄10亿美金开启赛博修仙！

OpenAI花1亿美金买Torch做「数据转接头」，想让ChatGPT成全科医生；Claude用超长文本窗口处理医学文献和数据。而NVIDIA投10亿与药企建实验室，用BioNeMo重写生命，开启药物生成新纪元。

文章围绕Coding Agent展开，介绍其构成、构建Harness的挑战，还阐述Codex作为集成系统优势、使用方式及未来发展。强调将模型与Harness共同开发，能更好理解模型行为，Codex可助力构建差异化产品。

通义万相新年前发布Qwen - Image - 2512版本。它是开源界最强文生图模型，在AI Arena盲测中表现出色。能消除AI塑料感，攻克文字渲染难题，在还原真实世界和重构视觉元素逻辑排版上有显著提升。

深度学习中，扩散模型能生成新图像且抗过拟合。巴黎高师和博科尼大学研究团队论文指出，这源于隐含的动力学正则化，训练分两阶段，数据量增加会拉开‘泛化窗口’，还给出数学解释。

迈阿密巴塞尔艺术展上，售价十万美元的《普通动物》由三只戴扎克伯格、马斯克和安迪·沃霍尔面具的机械狗组成，内置摄像头捕捉观众与环境，AI生成图像后“排泄”出实体作品，引发不同评价。

在SIGGRAPH Asia 2025期间，盛大AI东京研究院首次公开亮相。当前数字人交互缺乏“灵魂”，存在长期记忆与人格一致性、多模态情感表达缺失和缺乏自主进化能力等问题。为此，研究院推出Mio框架解决挑战。

12月16日阿里发布视频生成模型“万相2.6”，实现“角色扮演”功能突破。千问APP接入后上线“AI小剧场”，打破次元壁。千问兼具功能与情绪价值，阿里全栈布局助力其成“超级入口”。

谷歌DeepMind研究者分析下一像素预测在图像识别与生成任务中的扩展特性。实验显示其扩展趋势与文本类似但效率低，最优策略因任务和分辨率而异，预计未来五年逐像素建模可行。

近日，arXiv宣布拒收未通过同行评审的综述和立场性文章，危机源于生成式AI与大模型。上海交大团队中稿NeurIPS的论文，精准预见此危机，提出“综述论文DDoS攻击”概念，还给出应对策略。

淘天集团未来生活实验室提出首个系统性评估多模态大模型（VLM）交互式物理推理能力的综合基准DeepPHY。它集成六个物理环境，对17个主流VLM测试，揭示其在物理交互等方面短板。