「多模态智能体」共找到 4176 篇相关文章
GUI 精准定位新 SoTA：LASER 让模型从“看全图”走向“锁重点”
多模态大模型在高分辨率、元素密集的 GUI 场景易误判。苏州大学 OpenNLG 团队提出 LASER 方法，让模型学会主动推理，通过关键区域聚焦等提升定位精度，在基准测试中表现出色。
人类秒懂，AI崩溃：一个简单测试，就让GPT-5、Gemini等顶级模型集体“翻车”
来自多机构研究团队发现，OpenAI的GPT-5等顶级AI模型，面对‘看得见但读不懂’文字时表现极差。VYU团队实验显示，人类能轻松读懂的切分拼接文字，AI却全军覆没，原因是其靠模式匹配，不懂文字结构。
付不起1.5万元工资被起诉后，这家自动驾驶企业开始“破产清算”！创始人曾打造“全球Robotaxi第一股”前身
近日，L4自动驾驶企业中智行破产清算申请被受理。因其付不起1.5万元工资，且涉多件执行不能案、资不抵债。其创始人王劲影响力大，中智行曾转型车路协同，如今却走向破产。
OpenAI盯上苹果开发者生态，吞了家AI编程公司
OpenAI收购AI编程初创公司Alex，其产品是苹果Xcode量身定制版Cursor，集成智能助手到Xcode。此前OpenAI宣布GPT - 5内置于Xcode 26，收购或为与Anthropic竞争。
用“蒸汽机”生成视频，还能音视频一体化交付？
8月21日百度营销发布百度蒸汽机2.0，含多版本，有声版可音视频一体化交付。经测试，其生成视频细节佳、运动规律合理。它能解决影视业诸多痛点，成本低，还可免费使用。
“神经-符号”融合规划器性能显著超越o1：借鉴人类运动学习机制｜中国科学院磐石研发团队
中国科学院磐石研发团队提出新型“神经 - 符号”融合规划器，融合神经与符号规划系统优势，借鉴人类运动学习机制构建双向规划机制，在规划覆盖率和效率上显著超越OpenAI o1，已加入“磐石·科学基础大模型”。
Meta全新AI组织架构曝光，这范儿有点字节
Meta内部组织调整后，全新架构浮出水面，围绕‘超级智能实验室’整合出3400多人的新组织，负责人是亚历山大·王。其分工类似字节AI架构，还在挖人，有反噬风险。
马斯克Grok的AI男友还在取名，开源版AI女友已经火了，还是3D的
前几天Grok推出‘智能伴侣’功能，马斯克在线征集男性Grok数字伴侣命名。网友Jackywine复刻出3D版开源AI女友‘Bella’，介绍了其工作流、愿景及规划的‘AI原生’演进路径。
一键实现PPT演讲自由！「解说音频+视频」同步生成，效果逼近真人
澳大利亚与英国研究人员提出文档到演示视频生成任务，推出PresentAgent系统。它能将长文档转为带语音和同步幻灯片的视频，流程可控且适应多领域。实验显示其生成视频接近人类表现，还设计了双路径评估策略。
谷歌T5Gemma重燃架构之战！「套壳」反杀Gemma本尊，9B推理快得离谱
2023年以来大模型战场由decoder - only架构主导，Google双线出击。T5Gemma重燃encoder - decoder架构战火，性能提升显著；MedGemma坚守decoder - only路线，强攻医疗多模态，击穿闭源壁垒，打响开源反击战。