搜索：多模态推理模型

「多模态推理模型」共找到 8380 篇相关文章

大模型系统提示词逆向（2）—— Cursor

作者研究大模型提示词注入时，用简单提示词“骗”出 Cursor 系统提示词。文中分析提示词生效原理、对 Cursor 有效的原因，还提及提示词泄露的安全问题及开发者应对建议。

Google推出新图像生成和编辑功能，社区称其为‘Nano Banana’，号称‘世界第一’且免费开放。它有风格转换、背景编辑等亮点，用户反馈整体积极，但也存在API限制等问题，与对手有差距也有优势。

文章介绍大模型系统提示词逆向原理，利用‘认知冲突’让AI意外‘泄密’。还给出逆向提示词示例，并展示了ChatGPT系统提示词原文及翻译，包含其角色设定、工具使用规则等内容。

传统AI助手应对复杂任务能力有限，斯坦福开源OctoTools，这一复杂推理AI Agent融合11种工具。它在16项基准测试中准确率高，能应对多领域复杂场景，框架含工具卡片、规划器等构件。

当下AI圈热捧Harness Engineering，Anthropic让Harness从概念成产品，众多企业纷纷入局。但Meta反其道而行，发布Muse Spark模型，还联合提出神经计算机领域，其论文对相关概念做了介绍并展示实验结果。

PhiZero由中科院自动化所团队研发，探索让AI读懂真实世界运动、交互与变化的“物理语言”。它构建Reason - then - Render框架，经大量数据训练，在多基准测试中表现领先，为AI理解物理世界开辟新通道。

在人工智能飞速发展下，研究者探索让AI自我反思改进。本文作者构建自我进化AI智能体系统，设计四层渐进式架构，经《卡坦岛》实验，证明自我进化能力，不同模型表现有差异，代码级进化潜力惊人。

介绍Kyutai的Pocket TTS，一款轻量级文本转语音应用，可在CPU高效运行，模型小且低延迟，支持Python API和CLI，能语音克隆，还可在浏览器试用，目前仅支持英语，也有社区浏览器端实现。

现有视频生成模型在多主体定制中难保持身份一致与自然交互，上交和腾讯提出PolyVivid框架解决此问题。它在多方面优于现有方法，还介绍技术原理、演示效果，证明其在多领域有实用价值。

谷歌旗下DeepMind发布通用型世界模型Genie 3，可通过文本提示生成动态世界并实时交互，其生成内容物理一致性达分钟级。它功能丰富，也受业内好评，但有行动空间有限等局限，对迈向AGI意义重大。