「多模态Agent」共找到 3498 篇相关文章
模型声称会“脑补”，结果被论文打脸了？潜在空间想象竟是“摆设”！
多模态大模型中“潜在视觉推理”概念很火，研究者让模型在潜在空间“想象”。但清华和北交学者论文指出，潜在 Token 不关心输入、不影响输出、没信息量。作者提出 CapImagine 方案，效果远超潜在空间方法。
蚂蚁开源世界模型LingBot-World：具有分钟级记忆的实时世界模拟器
蚂蚁集团旗下灵波科技开源具身智能模型及世界模型LingBot-World，它将视频生成模型进化成可交互世界模拟器，采用多阶段进化策略，有涌现记忆等能力，虽有不足，但为开源社区构建世界模型迈出坚实一步。
AI看不懂的色盲测试背后，藏着一场像素与诗意的战争。
作者和同事测试AI色盲测试图，多模态模型Gemini 3 Pro、Claude Opus 4.5等纷纷答错，仅GPT 5.2 Thinking答对且靠代码作弊。研究发现，AI看图断章取义，缺乏人类的“格式塔”能力。
只会写代码没戏了！奥特曼最新面试题曝光：1人要干1个团队的活
OpenAI开年首场答疑会，奥特曼坐镇回应关切。他承认团队为追求ChatGPT编程能力，牺牲创意协作能力。还谈及软件工程未来变革、AI成本降低、Agent自主运行等问题，也对众多提问给出看法。
DeepSeek又拿第一！首创「因果流」视觉推理，超越Gemini
DeepSeek开源DeepSeek - OCR2，引入DeepEncoder V2视觉编码器，打破传统模型扫描限制，模仿人类视觉「因果流」逻辑。它解决了传统VLM忽略图像语义结构问题，在多项测试中表现出色，还验证了「LLM作为视觉编码器」可行性。
实测夸克「千问划词快捷指令」，这7个邪修Prompt，建议收藏
新年 DeepSeek 发布技术论文，网友难理解便求助 AI。夸克 AI 浏览器更新，‘千问划词’支持自定义快捷指令，实测精选 7 类实用指令，还介绍了操作方法，且其功能不断进化。
硅基大脑记忆觉醒！会遗忘、会反思、会成长的AI正在到来
哈尔滨工业大学等机构团队发表研究，用认知神经科学视角审视AI记忆系统，探讨如何让AI产生“自我”，构建会遗忘、反思、成长的记忆大脑，还涉及记忆分类、存储、管理、评估、防御及未来演进等内容。
2026：ASI奇点之年！
马斯克断言2026是奇点之年，称AI发展如超音速海啸。从AI编程能力提升、任务时长指数级增长，到‘品味奇点’概念提出，各方面迹象显示AI正深刻变革各行业。杨静与李建忠对谈探讨了ASI奇点相关话题。
关于Claude Skills，我给你写了份82页的白皮书
作者关注Claude Skills功能已久，使用后感受是它让Claude学会按需加载。还解析了Skills、MCP、Sub - agents区别，指出有人认为Skills比MCP更重要，最后介绍82页白皮书内容及获取方式。
告别「手搓Prompt」，前美团高管创业，要让物理世界直接成为AI提示词
在2025年AI硬件赛道火热背景下，Looki创始人孙洋团队打造Looki L1可穿戴设备，将自动驾驶逻辑用于生活场景，转化视听信号为模型上下文，构建用户专属数据飞轮，让AI实现主动共鸣。