「多模态推理大模型」共找到 8405 篇相关文章
从科学论文自动生成视频
该项目解决学术演示两核心问题，用智能体PaperTalker生成视频，还设Paper2Video基准评估。介绍了PaperTalker使用步骤，含环境、配置、推理，也说明了Paper2Video评估指标及运行方法。
中国AI Agent产业化参考范本：斑马口语攻克的四大技术难关
2025年AI产业转折，通用大模型落地难，垂直场景成关键。斑马口语作为垂直落地的AI Agent，突破实时交互、语音识别、内容适龄、多模态呈现四大技术难关，为中国AI Agent产业化提供范本。
AI看不懂的色盲测试背后，藏着一场像素与诗意的战争。
作者和同事测试AI色盲测试图，多模态模型Gemini 3 Pro、Claude Opus 4.5等纷纷答错，仅GPT 5.2 Thinking答对且靠代码作弊。研究发现，AI看图断章取义，缺乏人类的“格式塔”能力。
准确率92.7%逼近Claude 3.5、成本降低86%，开源代码定位新神器LocAgent来了
OpenHands 等团队发布 LocAgent，这是用于代码定位的图索引 LLM Agent 框架，准确率达 92.7%。它把代码库解析成图，提供工具接口，经实验效果出色，开源微调模型降本增效，还能提升问题解决率。
开源音视频同步SOTA基座：极简的单流架构，2秒出片
AI视频生成迈入音视频同步新纪元，闭源巨头已展实力，而上海创智学院与Sand.ai联合发布的开源音视频生成基础模型daVinci - MagiHuman，以极简单流架构，2秒就能在1张H100显卡上生成精准音视频同步画面。
Soul App 又又又开源了！这次是实时交互数字人，支持小时级长视频甚至无限时长！
Soul App 新开源实时数字人项目 SoulX-LiveAct，解决 AR 扩散模型流式生成稳定性问题。它实现 20 FPS 实时流式推理，延迟 0.94 秒，支持无限时长，有恒定显存等亮点，可用于多场景。
AI不再「炫技」，淘宝要让技术解决用户每一个具体问题
技术发展迅速，淘宝力求将AI融入应用场景解决用户问题。今年3月升级AIGX技术体系，近日郑波公开淘宝全模态大模型进展，认为狭义AGI或5 - 10年到来，多模态智能成关键技术域。
裁4000人换来的AI全白搞？Salesforce悄悄改架构：用 “老技术”故障少还省钱，网友怒喊：CEO零遣散费滚蛋
Salesforce曾大举部署AI并裁员，宣称Agentforce能降本。但如今高管称不过度依赖大模型时运行更好，已引入基础自动化技术。其应用遇瓶颈，故障频发、成本高，还面临AI“漂移”等问题。
仅靠5000+样本，全新强化学习范式让30B轻松击败671B的DeepSeek V3
传统强化学习在创意写作领域举步维艰，蚂蚁技术研究院联合浙江大学开源全新强化学习范式Rubicon，构建10000+条「评分标尺」，拓展应用至主观任务领域，其30B模型用5000样本超越671B的DeepSeek V3。
NextStep-1：一次在图像生成上自回归范式的探索
阶跃星辰团队探索自回归图像生成新路径，推出 NextStep-1。它直接在连续视觉空间自回归生成，架构简洁，实现端到端训练。模型有高保真生成和编辑能力，Benchmark 表现佳，但也面临稳定性等挑战。