「多模态论文」共找到 1878 篇相关文章
比NotebookLM更好的「开源播客」，可根据多模态内容生成30分钟以上播客音频。
Podcastfy是开源Python工具，能把文本、图片等多模态内容，借生成式AI转化为播客。它支持自定义，适配多种语言和文本转语音模型，能生成2 - 5分钟或30分钟以上的播客，使用体验比NotebookLM好。
谷歌深夜打假！27页论文全公开，揭秘Gemini如何碾压OpenAI，拿下IMO真金牌
OpenAI高调庆祝自家模型获IMO金牌，谷歌DeepMind携官方认证和27页论文官宣Gemini碾压夺金。谷歌公开解题方法论，介绍三步思考法及相关Prompt，还对比批评了OpenAI的做法。
李飞飞 、 英伟达 Jim Fan 、徐丹飞三巨头联合重磅论文，改写灵巧手触觉赛道
近日，李飞飞、英伟达Jim Fan等顶尖学者联合发表论文《T-Rex: Tactile-Reactive Dexterous Manipulation》。指出过去具身行业在灵巧手触觉的探索方向可能错误，目前加触觉会让机器人变笨，但也给出解决方法，真机实测T-Rex表现优异。
NeurIPS 2025：高分论文也可能被拒，只为保住那25%左右的接收率？
NeurIPS 2025将于2025年12月在美国圣地亚哥和墨西哥城举办。近期Meta Review完成，有领域主席称DB track高分论文也可能被拒，因要控制接收率。有学者呼吁提高接收率，也有人吐槽这种做法影响会议声誉。
打破资源瓶颈！华南理工&北航等推出SEA框架：低资源下实现超强多模态安全对齐
本文介绍北航彭浩团队的 SEA 框架，针对多模态大模型低资源安全对齐难题，用合成嵌入替代真实数据，突破资源瓶颈。还构建 VA - SafetyBench 评估安全风险，实验验证了 SEA 低资源、高泛化优势。
刚刚，智谱和华为搞波大的：中国首个国产芯片训练出的SOTA多模态模型！
智谱与华为合作开源新一代图像生成模型GLM-Image，是中国首个全程用国产芯片训练的SOTA多模态模型，擅长文字渲染，拿下多项榜单第一，API调用一张图只要0.1元，还解析了其技术架构。
美团提出多模态推理新范式：RL+SFT非传统顺序组合突破传统训练瓶颈
美团研究者提出Metis - RISE框架，将RL激励和SFT增强以非传统顺序结合提升多模态大语言模型推理能力。先RL激发潜能，再SFT补齐短板，训练的两模型在OpenCompass榜单成绩优异。
没PhD，算什么AI研究员！LeCun论文竟要28岁辍学生审批，发文「暗讽」内讧升级
Meta内讧升级，首席科学家LeCun发帖疑似暗讽新上司Alexandr Wang。LeCun列出“研究员”学术标准，点明研究与工程不同。此前Meta重组，TBD Lab审核FAIR论文，两者理念冲突，FAIR科研独立性受挑战。
谷歌太壕了！编程Agent大招至简：开源且免费，百万上下文、多模态、MCP全支持
谷歌开源免费的编程Agent Gemini CLI，提供业界最高免费限额，能在终端访问Gemini。其能力多样，涵盖代码理解等，支持百万上下文、多模态和MCP，开源协议为Apache 2.0，还给出安装和使用指引。
字节开源终身记忆多模态智能体，长时记忆+RL，实测超Gemini‑GPT4o！
字节开源全球首个带终身记忆更新的全多模态智能体M3 - Agent，给其装上‘长期记忆’大脑。它构建实体记忆图谱解决现有Agent问题，架构含两个流程，代码实现有特色，跑分数据出色。