「全流程科研智能体系统」共找到 4308 篇相关文章
用多模态LLM超越YOLOv3！强化学习突破多模态感知极限｜开源
华中科技大学、北京邮电大学等多所高校研究团队共同推出纯多模态开源LLM——Perception-R1，该模型用强化学习优化视觉感知，目前论文和代码均已开源，其在视觉任务上表现出色，为后续研究提供强大baseline。
深度拆解 Gemini 3.8 Live：一句插话，为什么会牵动整个 Agent 系统
本文深度拆解Google发布的Gemini 3.8 Live，分析其将语音、推理、工具调用整合进持续运行链路的架构创新，探讨Voice Agent进入Runtime阶段的核心技术挑战与未来AI Agent发展趋势。
Agent的自演进，被刚刚开源的AReaL 2.0按下了加速键
Agent 正从「会使用工具并完成任务」向「在使用中学习并改进方法」转变，但面临自演进难题。AReaL 2.0 上线，解决 Agent 服务侧问题，给出在线学习闭环方案，其价值已在实践中得到验证。
1.5K Star！网页提取神器 webclaw：让 AI 精准抓取网页核心内容！
webclaw是专为AI工作流打造的高性能网页提取工具，能把网页转成适合大模型的内容。它有Token优化、极速响应等亮点，支持多种安装和使用方式，解决了传统抓取工具的痛点。
光卖模型不够了！OpenAI联合19家顶级投资、咨询、系统公司成立专门公司帮企业落地AI
OpenAI宣布成立OpenAI Deployment Company，收购Tomoro引入约150名工程师。该公司初始投资超40亿美元，有19家机构入伙，将帮企业在核心业务中构建和落地AI系统。
20岁了！劈柴哥发帖庆生：谷歌翻译换了4代AI，第一次有了「呼吸感」
4月28日，Google Translate满20岁，Pichai发帖纪念，回顾其技术发展，从统计模型到神经网络，再到Gemini原生语音模型，Translate不断进化，能保留语调和节奏，虽被大模型抢风头，但仍在持续进步。
打破视频推理「先看后想」惯性，实现真正的「边看边想」丨CVPR'26
现有大型视觉语言模型（VLM）在实时场景表现不佳，宁波东方理工大学沈晓宇团队提出TaYS，让VLM从“帧文交错”切换到“并行”，实现“边看边想”，在准确性和延迟上表现出色，推动VLM走向更真实应用。
本周 5 个超酷 GitHub 开源项目，实用到飞起！
本文介绍本周5个超酷GitHub开源项目。有显示苹果设备电池状态的AirBattery，开源卫星可视化平台keeptrack.space，本地图片压缩工具Pic - Smaller，跨平台端口助手Port - Killer，轻量级AI证件照工具HivisionIDPhotos。
2026年AAAI Fellow名单出炉！清华校友田奇等4位华人学者入选
2026年AAAI Fellow名单出炉，12位学者当选，含4位华人，分别是南洋理工大学的Bo An、香港中文大学的Irwin King、南加州大学的Yan Liu和光明实验室的Qi Tian。AAAI将在会议期间的颁奖典礼上表彰他们。
图像分层生成：新加坡国立大学和Lowart AI实现了图像可编辑的PSD文件输出
新加坡国立大学和Lowart AI发布OmniPSD，利用Diffusion Transformer架构解决分层图像生成与拆解难题，实现可编辑PSD文件输出。它能通过文本生成分层PSD文件，也能拆解单张平面图像，解决AI生成图像难编辑痛点。