「多模态理解与生成」共找到 3438 篇相关文章
跨境电商版Sora发布：全球首个AI原生电商视频Multi-Agent来了
营赛AI发布跨境电商版Sora——inSai Hilight。它无需拍摄素材与复杂提示词，扔个商品链接或图，20 - 30分钟就能生成逻辑严密、商品还原度100%、符合TikTok爆款节奏的营销视频，重新定义电商营销视频生产方式。
北大卢宗青团队新作：超 70% 实机成功率，支持语言指令的功能性抓取系统
现有抓取研究多在稳定性层面，而功能性抓取更接近真实世界的智能。北大卢宗青团队提出DemoFunGrasp方法，对功能性抓取重新建模，在仿真与真实场景均超70%成功率，还引入视觉语言模型让机器人理解语言指令。
NeurIPS 2025｜指哪打哪，可控对抗样本生成器来了！
近日，清华大学和蚂蚁数科在NeurIPS上联合提出Dual - Flow新型对抗攻击生成框架。它能从海量图像数据学“通用扰动规律”，对多模型、多类别发起黑盒攻击，为AI安全带来挑战，已用于蚂蚁数科产品。
OpenAI：如何用 Codex 在 28 天内极速打造安卓版 Sora
OpenAI发布工程博客，揭秘用Codex不到一个月打造Sora安卓版应用的过程。这款应用上线首日冲至Google Play下载榜第一，24小时内用户生成超百万视频，开发过程耗约50亿tokens，崩溃率仅0.1%。
GPT-5.2果然反超谷歌Gemini 3 Pro！北大数院校友核心贡献
OpenAI在成立十周年推出GPT - 5.2，相比GPT - 5.1在多实用领域更强，视觉理解等能力提升。ARC - AGI测试中得分超谷歌Gemini 3 Pro。拆解其多方面能力，还介绍核心团队多为数学专业新面孔。
刚刚，GPT-5.2满分屠榜，OpenAI十周年王者归来
OpenAI 十周年推出 GPT - 5.2 系列模型，包括 Instant、Thinking 和 Pro 版本。它在多方面表现出色，刷新多项基准测试 SOTA 水平，如 AIME 2025 获满分，在 GDPval 达人类专家水平。还在编码、视觉理解等能力上有显著提升。
5张 H800 带来 20 FPS 高保真实时虚拟人生成
传统扩散模型做视频生成速度慢、画面不稳定，难用于实时虚拟人场景。阿里Live Avatar框架将算法和系统一起设计，用TPP并行推理策略和RSFM机制等，5张H800 GPU能实现20 FPS高保真实时虚拟人生成。
DeepInsight x ChatBI：个人Agent助手养成计划
文章围绕将ChatBI打造成个人Agent助手展开，从用户视角拆解使用流程，分析提问、反问澄清、结果验证等环节的困难与解决办法，还提及MCP协议、通义千问3及阿里云百炼服务对Agent开发的助力。
北京艺术与科技周｜三联人文城市跨界沙龙：当AI开始写诗、作曲，我们会如何改变？
在算法推荐和AI生成内容充斥的当下，美学标准和感知方式被颠覆重塑。北京艺术与科技周的三联人文城市跨界沙龙，邀胡德夫、叶蓓等嘉宾以诗为起点深度对谈，探讨AI时代美学与人文生活新可能。
韩松等提出FlashMoBA，比MoBA快7.4倍，序列扩到512K也不会溢出
今年2月月之暗面提出MoBA，在处理长上下文有潜力，但业界缺乏对其性能设计原则的理解和高效GPU实现。来自MIT、NVIDIA的研究者提出FlashMoBA，解决了小块MoBA性能挑战，实验显示其在多方面表现优。