「设计与代码」共找到 8312 篇相关文章
人大-清华-腾讯发布：音频 - 视觉多模态任务统一框架
人大、清华和腾讯合作发布Crab论文，目标是实现多模态场景理解任务的高效一统。它针对音频 - 视觉理解模型难点提出解决方案，构建数据集、设计LoRA结构、统一架构，训练分预训练和指令调整两阶段。
2025 中国最具价值 AGI 创新机构 TOP 50 调研启动征集！
这一年AI发展迅猛，从产品到模型都有诸多突破。在此背景下，Founder Park发起调研，寻找在技术、商业与场景融合中率先突破的关键变量，将选出50家创新机构，申报截止5月31日。
2025年如何学AI？如何用好AI？
文章围绕2025年学AI、用AI展开，作者黄益贺分享问答，涵盖学习指引、工具使用、产品赛道选择等多方面内容，如建议新手边用边学，对比不同工具功能，还分析了各模型和工具的特点与适用场景。
微软开源了一款 skill 神器，这下爽了！
近期微软开源桌面应用 `Skill Recorder`，1个多月揽3K star。它能录屏幕操作，借助 GitHub Copilot CLI 生成可复用 Skill 或 Automation，与 RPA 思路不同，有泛化能力，可按命令快速安装。
GPT Image 2研究科学家陈博远：我在OpenAI修中文
GPT Image 2发布引发AI圈震动，主力训练者陈博远分享幕后故事。他和奥特曼同台主持，修好中文渲染，给模型起代号“布基胶带”，还设计多种“彩蛋级”测试，抖出官网图片幕后花絮。
MiniMax M2.5：230B参数仅激活10B，开源模型首次逼近Claude Sonnet，成本仅十分之一
MiniMax推出新一代开源模型M2.5，官方称其为‘为现实世界生产力设计的开源前沿模型’。性能逼近Claude Opus 4.6，采用混合专家架构，成本低。已在内部大规模部署，定位为‘AI员工’。
Meta开源史上最强语音“基座模型”：一口气支持1600+种语言
Meta AI FAIR团队发布Omnilingual ASR模型套件，能为超1600种语言提供自动语音识别能力。它引入新架构提升性能，改变引入新语言范式，还发布相关数据集和模型，与全球伙伴合作。
首次公开！奥特曼重新发明了浏览器
OpenAI首个浏览器Atlas背后技术秘密公开，关键创新是全新架构OWL。它将Atlas应用与Chromium运行时分离，带来即时启动等优势，还为AI智能体用例奠定基础，重构了UI体验。
模仿学习新范式！Chain-of-Action：轨迹自回归实现动作推理
具身智能领域尚未迎来「GPT时刻」，现有模仿学习范式有缺陷。字节跳动与阿德莱德大学研究者提出「动作链」（CoA）策略，通过轨迹自回归建模解决累计误差，提升泛化性，实验效果显著。
Diffusion约2倍无损加速！训练-推理协同的缓存学习框架来了｜ HKUST&北航&商汤
HKUST、北航与商汤提出HarmoniCa框架，解决Diffusion模型推理慢、成本高问题。它通过SDT和IEPO机制，解决训练 - 推理脱节，在多模型上实现推理提速、质量提升，且训练推理开销低，已开源。