「多模态智能体」共找到 4172 篇相关文章
国产免费2B开源语音模型征服《莽撞人》！复刻郭德纲最难贯口
国产免费2B开源语音模型VoxCPM 2，联合OpenBMB开源社区等推出。它能复刻郭德纲《莽撞人》贯口，覆盖九种方言、三十门外语，音质达48000Hz。还可在线体验，有降噪等功能，技术独特且开源工具链完备。
吴恩达来信：试试语音交互吧！
吴恩达认为基于语音、可对话的AI系统在发展，语音用户界面将普及。虽不会完全取代传统界面，但会带来新应用场景。还介绍了Vocal Bridge架构，且构建语音UI可能比想象容易。
突发！阿里Qwen深夜地震，林俊旸官宣「下台离开」
深夜，Qwen负责人林俊旸宣布离开Qwen团队，未透露去向和接任者。他是阿里最年轻P10技术高管，跨学科背景，在阿里6年连升四级，推动Qwen开源模型发展，还关注AI未来。
谷歌Gemini 3.1新模型深夜掀桌, 每秒狂飙363 token! 1/4价格暴击Claude
谷歌深夜推出Gemini 3.1 Flash-Lite，输出速度363 token/s，价格仅0.25美元/百万Token，跑分碾压GPT-5 mini和Claude 4.5 Haiku。开发者可通过Google AI Studio体验，企业用户可通过Vertex AI接入。
Google DeepMind 联合创始人、首席 AGI 科学家：如何构建一个让 AGI 有助于人类繁荣发展的世界？
Google DeepMind联合创始人、首席AGI科学家Shane Legg在播客中称AGI可能2028年到来。他探讨AGI定义、伦理等，认为其分多层级，还指出社会模式或改变，部分工作将受影响，也强调利用好它或带来黄金时代。
「国产GPU第一股」首秀！新架构下周揭秘，全栈底座不藏了
2025年12月19 - 20日，摩尔线程首届MUSA开发者大会将在北京举行。届时会揭晓新一代GPU架构与路线图，设20+技术专场，还有1000㎡科技嘉年华，展示全栈能力与生态进展。
Thinking with Video：一种全新的思考范式
在人工智能领域，‘用文本思考’和‘用图像思考’存在局限。复旦大学等团队提出‘用视频思考’范式，通过视频生成模型统一文本与视觉推理，构建VideoThinkBench基准测试Sora - 2，全面解读这一开创性工作。
Feed-Forward 3D综述：三维视觉如何「一步到位」
这篇由12所机构联合撰写的综述论文，总结2021 - 2025年间数百项创新工作，建立Feed - Forward 3D方法谱系与时间线，介绍五大技术分支、应用场景、评测指标与结果，还指出未来挑战与方向。
手机操控革命！开源手机AI Agent，自然语言操控Android/iOS！
传统移动设备自动化工具难实现自然语言控制和跨应用交互，开源项目Mobile - Use提供解决方案。它由Minitap AI开发，能通过自然语言指令实现设备UI感知自动化，功能丰富，应用场景广。
美国航天局与谷歌合作，打造AI医疗助手，以保证宇航员健康
Techcrunch消息，美国宇航局NASA和谷歌合作开发AI医疗助手CMO - DA，保障前往火星的宇航员健康。它有多种模态功能，在谷歌云运行。经测试诊断准确性较高，未来还会增加数据源和情境感知能力。