「多模态搜索智能体」共找到 4447 篇相关文章
阿里发布首个「音视频实时交互」模型，实现数字人实时视频聊天
阿里发布原生流媒体端到端模型Wan - Streamer v0.1，能实时聆听、观看、思考、说话和响应视频。它在单个Transformer内完成感知等操作，延迟低，具备端到端多模态统一、低延迟等特点。
ACL 2026｜证据摊开看，场景图画清：让流式视频大模型拿捏「何时开口」
随着多模态和大语言模型发展，人类与 AI 交互走向共生。现有视频大模型难把握响应时机，西北工业大学等团队在 ACL 2026 提出 Response - G1 框架，实验显示其提升了模型性能。
李建忠对话菲尔兹奖得主Timothy Gowers：整个数学研究的范式将被AI改变
奇点智能研究院院长李建忠与菲尔兹奖得主Timothy Gowers对话，探讨AI与数学研究的十个话题，涉及数学重塑AI、AI推理能力、自动形式化、数学研究未来及AI对数学教育的影响等。
虾、马之后，人类登场！这个霸榜GitHub项目火了
OpenHuman 是 tinyhumansai 团队构建的开源桌面 AI 智能助手，采用 GNU 许可证开源。它解决了 AI 助手失忆、集成碎片化等痛点，有记忆树、TokenJuice 等技术，目前在开源社区反响大。
首创TTFA指标！港大团队开源FASTER，让VLA模型真正实现「即刻响应」
港大团队提出FASTER，重新审视动作分块策略的反应延迟问题，提出快速动作采样方法。它即插即用，已开源。通过Horizon - Aware Schedule等创新，降低TTFA、提高闭环频率，实验显示能显著提升VLA反应能力。
安卓彻底变了！Gemini接管所有屏幕，苹果连影子都没追上
谷歌在 Android Show I/O Edition 宣布，Android 从「操作系统」转型为「智能系统」，Gemini Intelligence 植入安卓设备，覆盖多硬件，还推出 Googlebook。谷歌端侧铺 Gemini，云端投 Claude，与苹果策略形成对照，竞争关键在分发。
ChatGPT那一套要过时了？翁荔实测创业首个模型，回合制AI被“原生实时交互”秒了
Thinking Machines推出交互模型TML - Interaction - Small，可实时接收多模态输入并响应，性能超现有实时系统。该模型未开放，计划先有限预览再广泛发布，若开放将为企业带来巨大价值。
超150位全球AI一线技术专家齐聚巴黎，这场大会到底聊了些什么？｜GOSIM Paris 2026圆满收官
5月6日，GOSIM Paris 2026进入第三天，议程转向技术实践。超150位全球AI专家齐聚，探讨模型推理优化、开源社区治理等。Niko Matsakis等分享前沿观点，还有五大主题论坛及工作坊，展示开源AI生态成果。
Altman 亲自坐镇发布 ChatGPT Image 2，小编实测：风格、画质、叙事感全都夯爆了
OpenAI CEO Sam Altman 亲自发布 ChatGPT Images 2.0，这是该公司迄今功能最强的图像生成模型。它有思考能力，可直出 8 张连贯图片，支持多语言、多种画幅与分辨率，能精准执行复杂指令，直接商用也没问题。
单Agent时代正式结束：一个干不过，就上300个
月之暗面发布并开源 Kimi K2.6 模型，热度高。它强化 Agent 团队协作能力，核心能力进步，领先对手。在编程领域发力，长程编码能力突破，集群协同输出强，还适配框架，实测效果出色，Claw 群组开启内测。