搜索：多模态文本智能

「多模态文本智能」共找到 4510 篇相关文章

李飞飞押注的「世界模型」，中国自研Matrix-3D已抢先实现了？

中国自研世界模型Matrix-3D可单张图生成3D世界，效果对标李飞飞的World Labs，还能实现更大范围探索。它有诸多优势，技术上有创新，数据集有特点，应用前景广泛。

7月26日世界人工智能大会上，谷歌前CEO埃里克·施密特与沈向洋对话，指出过去两年中国AI技术进步巨大。他认为中美领先AI模型有显著区别，中国部分模型开放权重，美国多数领先模型封闭。他期待中美合作应对AI变革。

7月29日智谱开源GLM - 4.5。作者实测发现其在UI设计审美不如R1，生成卡片表现不一，Coding能力勉强及格，全栈代码生成未达可用阈值，存在无多模态能力、上下文窗口短等问题，目前还别急着冲。

微软Edge浏览器推出“Copilot模式”，将其变成AI智能体，有跨标签页情境感知等功能。该模式限时免费，支持语音控制等，还将增加新功能。微软此举或引发浏览器大战，未来浏览器AI模式可能收费。

本文是Claude Code快速入门教程，涵盖安装、常用命令、使用技巧等内容，还介绍成本控制、新功能及访问方案，最后给出不同阶段使用咒语，助用户发挥其最大效能。

来自多家机构团队发布 Agent KB 框架，构建经验池实现 AI Agent 经验共享。在 GAIA 基准测试中表现出色，提升多模型 Pass@1 性能，还在软件工程领域展现价值。其设计精妙，经消融、检索策略等实验验证有效。

美图公司推出专注影像与设计的AI智能体RoboNeo，虽来得有点迟，但实战测评中它和星流Agent各有优劣。星流是光影与排版“偏科生”，RoboNeo是细节与执行“实干派”，适配不同需求。

现有文本生成视频模型多为离线生成，无法满足实时交互需求。加利福尼亚大学与Meta联合提出StreamDiT模型，采用流匹配等方法，蒸馏模型可单卡每秒16帧实时生成512p视频，不过仍有伪影问题。

2025年全球开源软件项目数量增长，中国企业贡献显著。字节跳动在火山引擎原动力大会开源开发者日上，多位负责人分享开源经验，探讨其为AI Agent带来的技术改变，展示解决行业痛点的理念与实战经验。

这篇ACL 2025主会论文聚焦提升智能体指南规则遵循能力。提出评估基准GuideBench，涵盖7类1272个任务。实验显示多数主流大模型指令遵循能力不佳，尤其数学推理挑战大，为模型迭代提供评估基准。