搜索：视觉 - 语言智能体

「视觉 - 语言智能体」共找到 4694 篇相关文章

OpenAI未公开的o3「用图思考」技术，被小红书、西安交大尝试实现了

OpenAI推出的o3推理模型打破传统文字思维链边界，实现图像融入推理过程。小红书与西安交大联合构建多模态深度思考模型DeepEyes，尝试实现类似能力，还开源技术细节，在多任务中表现出色。

传统大模型推理面临长链条深度思考与低时延反馈的矛盾，华为盘古团队提出盘古Embedded模型。基于昇腾NPU，其采用双系统认知架构，集成“快思考”与“慢思考”双推理模式，实现推理效率与精度协同提升。

随着大型语言模型发展，提示工程成关键技能。文章介绍零样本提示、少样本提示等七种提示优化模式，分析适用场景、优缺点，还给出示例，最后总结各技术适用场景及最佳实践。

5月27日，字节跳动旗下AI协同办公平台扣子空间新增播客功能。其播客音频生成功能让AI从‘说什么’跨越到‘怎么说’，适用于多场景。扣子空间还具备跨模态协作等能力，引入MCP协议，免费开放核心功能。

文章介绍 AutoDev 预上下文引擎，指出向量化代码检索性价比低，提出用预生成上下文提升 RAG 效果。Context Worker 能深度解析代码，支持多语言，使用简单，还可结合 MCP 服务获取上下文知识。

甲子光年发布ICRA上WBCD赛事观赛报告。该赛聚焦双臂机器人，设生命科学、物流打包、餐桌服务挑战。从实际需求出发，吸引全球团队。各赛展现不同技术亮点，如洛桑联邦理工线控、卡内基梅隆神经 - 符号架构等。

印度 Sarvam AI 发布国家级模型 Sarvam - M，虽被赞为本土 AI 突破，支持 10 种本地语言，但上线两天仅 334 次下载，投资人批其成绩尴尬，还与韩国大学生模型对比，引发社区争论。

BLIP3 - o致力于统一图像理解和生成、提升生成质量和效率。它融合自回归与扩散模型，采用CLIP + Flow Matching架构等技术亮点。经训练，在图像理解和生成任务表现出色，指令微调效果显著。

DeepSeek-V3 是热门开源大模型，采用大规模 MoE 架构，优化推理性能是工程难点。阿里团队在 RTP - LLM 完成优化，对齐其推理系统性能，分享关键技术、不足与思考，还提及对 Qwen3 模型的优化策略。

北大校友、前OpenAI华人VP翁荔发布万字长文《Why We Think》，围绕“测试时计算”和“思维链”，探讨提升模型性能的方法，涉及心理学类比、基于Token的思考、分支与编辑等多方面内容。