「多模态智能」共找到 4139 篇相关文章
为什么自监督永远学不到语义？
《Visual Language Hypothesis》论文用纤维丛理论审视视觉表征学习，指出只做连续变换难触达语义。分析现有无监督学习不足，提出“Expand - and - Snap”机制，还通过实验验证，提供审视AI架构新视角。
智源发布 2026 十大 AI 技术趋势：世界模型成 AGI 共识方向
2026年1月8日，智源研究院发布《2026十大AI技术趋势》，指出AI演进核心从语言学习转向理解物理世界秩序。报告阐述了AI从数字迈向物理世界的三条驱动主线，并给出十大趋势，为行业提供布局锚点。
别难为 ChatGPT 了！面对海量资料，NotebookLM + Gemini 的“外挂模式”才是降维打击
Google打通NotebookLM和Gemini后，二者协作效果出色。NotebookLM可拆解复杂信息，Gemini以其为参考数据源答案更精准。二者还能基于笔记本做网站、视频、图片等，各有优势、双向协作。
刚刚，OpenAI开放GPT-4.1，100万上下文、代码能力超强
今天凌晨1点30，OpenAI宣布开放GPT - 4.1，可在ChatGPT中使用。它针对编码任务，支持100万tokens上下文，在多项测试中表现优于前代，价格更优，不同用户将陆续获得使用权限。
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。
OCR 创新技术解析丨AI Insight Talk 直播预告
在数字经济下，传统 OCR 技术面临诸多挑战。12 月 4 日 20 点，AI Insight OCR 专场直播将剖析三项突破性 OCR 技术方案，还会有圆桌对谈。分享嘉宾将介绍 HunyuanOCR、PaddleOCR - VL、MinerU 等模型亮点。
逛完世界机器人大会，我们发现了四大趋势｜甲子光年
2025世界机器人大会8月8日在北京开幕，有200余家企业参展。甲子光年总结四大趋势，如激光雷达厂商入局、人形机器人进厂、VLA模型异军突起、仿生机器人走入现实，预示机器人产业走向实战。