搜索：多模态数字人

「多模态数字人」共找到 2200 篇相关文章

用多模态LLM超越YOLOv3！强化学习突破多模态感知极限｜开源

华中科技大学、北京邮电大学等多所高校研究团队共同推出纯多模态开源LLM——Perception-R1，该模型用强化学习优化视觉感知，目前论文和代码均已开源，其在视觉任务上表现出色，为后续研究提供强大baseline。

近年来，人们关注将LLM能力扩展至非文本模态，Discrete Tokenization成关键方案。但现有研究缺系统总结，香港科技大学等团队发布首个相关系统化综述，梳理技术脉络、方法及挑战，给出未来研究方向。

强化学习与可验证奖励提升视觉语言模型推理能力，但存在答案奖励只知对错、不知证据区域问题。哈工大等团队提出EASE，把标注证据区转为目标分布，监督空间注意力，推理无额外标注，实验成绩优异。

上海人工智能实验室等团队提出全新生成式多模态推理范式，发布模型 DiffThinker。它打破传统定式，以图像到图像生成任务重构推理过程，在多项复杂任务中表现优于顶尖闭源模型，有四大核心特性。

清华艺博将举办“具身之路：机器如何成为‘人’”展览，时间为2026年4月30日 - 5月6日。展览以“启思—看透—看懂—共创”为动线，呈现人形机器人发展历程，探讨智能与身体关系及人机共在问题。

Tolan是今年2月上线的APP，公司仅12人。其虚拟形象可为用户提供情绪价值，下载超300万次，付费超10万。本月背后公司Portola完成2000万美元A轮融资，此前还有1000万美元种子轮。

Jina第4版基于Qwen2.5 - VL模型扩展，支持单向量和多向量输出。它经对比学习和任务特化训练，推理时可按需选LoRA适配器，能利用多模态处理能力优化不同任务性能。

蚂蚁AI安全实验室与厦门大学团队联合提出MedGuard，将医学事实核查嵌入诊疗流程。它是医疗安全基础设施，在诊疗意见等形成前验证事实，在评测和临床评价中表现突出，能准确判断风险边界，可嵌入医疗流程。

2026年6月，北京798多觉工场开幕，首展《觉：数字艺术在中国》同期亮相。这是全球首个以“多觉艺术”为核心理念的实体空间，汇聚27位艺术家50余件作品，涵盖多种媒介，让观众调动感官，实现“艺术平权”。

来自中山大学等的研究者提出SeePhys Pro，是面向多模态物理推理的细粒度评测与训练诊断框架。发布了benchmark、训练集等，测评显示当前模型在信息模态转变时不稳定，为模型评测和训练研究提供基础。