「多模态技能」共找到 1237 篇相关文章
14万一台家务机器人！斯坦福华人博士具身创业首款产品亮相，用户还能买回去自己教
斯坦福华人博士赵子豪与迟宬创业推出家务机器人Memo，售价2万美元。它能完成多项家务，依赖ACT - 1具身模型，该模型用技能捕捉手套采集人类数据训练，用户还能教它新本领，预计2026年正式推出。
OpenVision 2：大道至简的生成式预训练视觉编码器
多模态大模型浪潮中，视觉模块是关键。此前OpenVision训练管线复杂，成本高。研究者提出OpenVision 2，移除文本编码器与对比学习，引入随机丢弃视觉token技巧，性能佳且效率高，挑战了对比学习范式。
【综述】MRAG5项关键技术(一)：解析、索引
文章围绕多模态检索增强生成（MRAG）的关键技术展开。介绍多模态文档的三种类型，阐述文档解析与索引的方法，包括基于提取和基于表示的方法，还指出基于提取方法存在的局限性。
科研人有自己的“吃虾”方式！斯坦福普林斯顿最新开源，仅需一行指令
斯坦福和普林斯顿高校团队开源“科研版龙虾”LabClaw，只需一行命令就能调动。它是AI的“技能包”，还能部署成AI实验室助手。此外还配操作系统LabOS，人机协作效率高，扩展性好。
Excel新AI插件！华尔街「表哥表姐」对手来了
Anthropic让Claude以插件形态接入Excel，可操作和读取数据、定位单元格内容并说明修改理由。还针对金融领域新增6项技能。Claude已被金融企业广泛使用，或取代金融从业者制表技巧，但核算准确性存疑。
30万岗位将被AI吞噬？印度2830亿美元软件业迎来「清算时刻」！
AI裁员潮让印度软件业面临「清算时刻」，或致10万至30万人失业。TCS裁员1.2万，凸显行业「技能错配」。到2026年印度需100万AI人才，目前IT从业者中具备AI技能的不足20%。
给几何图片写标题就能让AI更聪明，UIUC发布高质量可泛化几何数据集
随着多模态大语言模型在视觉问答等任务广泛应用，其几何推理能力成研究热点。现有方法泛化能力有限，UIUC团队提出Geo - Image - Textualization框架，发布GeoReasoning - 10K数据集，提升模型几何推理表现。
让大模型“吃一堑长一智”，南理工百度等提出模型记忆新方法
南京理工大学联合百度等提出新方法ViLoMem，构建视觉流+逻辑流的双流语义记忆，让模型“从错误中学习”。它能在多模态基准提升模型表现，强模型记忆还可迁移给小模型。
让大模型基于「图像事实」说话：用事实文本+自适应编辑，让语言偏见无处遁形丨ICLR'26
多模态大模型看图常“脑补”，存在对象幻觉问题。北航团队提出AFTER框架，含FAS和QAO模块，能在主流LVLM和基准上显著降低幻觉，且推理开销低，为多模态助手落地提供实用路径。
MIT成果登Nature正刊：90天，「AI科学家」完成3500次电化学测试
美国麻省理工学院李巨团队在Nature发表论文，展示多模态机器人平台CRESt。它结合多模态模型驱动的材料设计与高通量自动化实验，大幅提升催化剂研发速度和质量，还解决了实验结果可重复性不足问题。