「跨模态交互」共找到 678 篇相关文章
Markdown要凉…卡帕西也站HTML了
Anthropic工程师Thariq发文呼吁抛弃Markdown，力推HTML，认为其在信息密度、可读性等方面优于MD。卡帕西也认可此观点。不过HTML存在费token、版本控制难等问题，文中也给出了应对建议。
JEPA、空间智能路线正面交锋：WorldArena 2.0 挑战赛开考「能不能被机器人真正用起来」| IROS 2026
本文报道了清华团队联合海内外多校推出的WorldArena 2.0世界模型评测挑战赛，升级评测体系覆盖从视频生成到真实机器人操作全维度，公布各赛道结果，并对话主办方解读行业现状与评测设计。
阶跃星辰首款智能体手机3999元开启预售：原生 Agentic 系统，给 AI 单独配一块屏
本文报道阶跃星辰发布旗下首款智能体手机STEPX Neo先行版，定价3999元开启预售，同步推出原生Agentic系统Step AOS 1.0与开发工具Step Studio，打造软硬模全栈智能体终端方案。
清华AI数学家系统攻克均匀化理论难题！人机协同完成17页严谨证明
清华大学科研团队用自主研发的AI数学家系统（AIM），以人机交互模式解决均匀化理论研究问题，形成约17页证明。研究系统性总结五大高效人机交互模式，在三方面取得突破，还提出未来研究方向。
一夜爆火，Clawdbot是否才是真正的AI入口产品？
文章介绍近期在GitHub爆火的开源项目Clawdbot，它是运行在本地设备、有“手脚”和“记忆”的AI智能体。还分享部署方案，从产品层面分析其特点，最后提醒安全风险。
GUI定位还在玩「非黑即白」？浙大团队提出GUI-G²，显著提升GUI智能体定位性能
在人工智能领域，GUI 智能体成技术风口，但现有 GUI Grounding 方法有缺陷。浙大团队提出 GUI - G²，将 GUI 交互转变为连续空间建模，在三个主流 GUI 定位基准测试中表现亮眼，重新定义了 GUI 交互本质。
24小时直播，只靠一张照片？虎牙实时多模态数字人VAM 1.0率先突围行业三堵墙
虎牙推出实时多模态数字人VAM 1.0，只需一张照片就能转化成能说会唱、可实时互动的数字人。它解决了AI数字人行业的时间、交互、部署三堵墙，稳定性、交互精度和响应速度表现出色，应用场景广泛。
让龙虾看懂屏幕！谷歌多模态新成果，文本图像视频音频进同一空间
谷歌发布首个原生多模态嵌入模型Gemini Embedding 2，将文本、图像、视频、音频和文档映射进同一嵌入空间，支持多模态混合输入，为AI Agent“看懂”世界提供关键基础，已展开公测。
Agent 时代，前端怎么变？AG-UI、A2UI 与 MCP Apps 的协同模式（下）
本文是《Agent时代前端怎么变》系列下篇，讲解AG-UI、A2UI、MCP Apps三个Agent时代UI标准的实际协同场景与实现方法，给出不同场景的适配方案，附带开源演示代码，帮助开发者做前端架构选型。
Codex龙虾化！推出手机远程控制，与Claude Code竞争白热化
OpenAI的Codex可手机远程控制，与Claude Code竞争白热化。它跨设备无缝同步，支撑体验的是安全中继层技术。个人开发者体验提升，企业级环境诉求也得到回应，还推出针对性扩展工具。