「多模态交互」共找到 1457 篇相关文章
HiDream-O1-World拿下WBench第一，交互世界模型的格局被改写｜甲子光年
近日，智象未来的HiDream - O1 - World模型以平均分80.9登顶WBench核心Navi分榜，物理一致性维度也排第一。它走出第三条路线，解决时空与物理一致性难题，技术获国际顶会认可，正改变全球竞争格局。
TPAMI | DC-SAM：打破SAM交互限制，基于循环一致性的图像与视频上下文分割方法
北京邮电大学联合南洋理工大学等机构发表论文，提出 DC - SAM 框架及 IC - VOS 基准。DC - SAM 含特征融合、正负双分支循环一致性提示生成等部分，实验在多基准测试获 SOTA 性能，为视觉大模型落地提供方案。
SIGGRAPH 2025 | CLR-Wire：曲线框可生成？可交互？深大VCC带你见证魔法
深圳大学黄惠团队推出 CLR - Wire 方法，将复杂三维曲线框结构编码到连续潜空间，解决传统难题，能实现高效生成与平滑插值，相关代码已开源，在多领域有应用前景。
字节跳动Seed1.5-VL复杂图表精准抽取，Deep Think是多模态未来的主流
文章介绍字节跳动的Seed1.5-VL模型，它能精准抽取复杂图表，处理模糊图片、推理几何题。其由视觉编码器和LLM组成，预训练语料丰富，后训练结合多种方法，推荐在huggingface体验。
对话宋亚宸：从 3D 生成到世界模型，VAST想搭一套「可交互世界」的底座
VAST是一家专注通用3D大模型研发与落地产品建设的人工智能公司。创始人宋亚宸表示，3D生成未普及是缺3D UGC平台，所以从工具和模型入手。该公司核心产品Tripo Studio成果显著，今日还宣布完成5000万美元A轮融资。
每秒生成超30帧视频，支持实时交互！自回归视频生成新框架刷新生成效率
微软研究院与北大联合发布Next - Frame Diffusion (NFD)新框架，通过帧内并行采样、帧间自回归等方式，让视频生成在保持高质量的同时，效率大幅提升，还采用多项技术进一步优化。
ICLR 2026｜原生多模态推理新范式ThinkMorph ，让文字与图像在统一架构中共同演化
NUS、ZJU 等联合提出「ThinkMorph」，主张文字与图像在统一架构「原生协作」。仅用 2.4 万条数据微调 7B 统一模型，视觉推理平均提升 34.74%，多项任务比肩或超 GPT - 4o 和 Gemini 2.5 Flash，还涌现新能力。
多模态推理新范式：上海AI Lab新作证明“画”出答案比“说”出答案更靠谱
上海人工智能实验室等联合提出DiffThinker模型，利用扩散模型构建全新视觉推理范式。它在视觉中心任务上表现优异，准确率碾压GPT - 5等模型，还能与MLLM协同推理实现1 + 1 > 2的效果。
Meta CTO打脸扎克伯格：首秀翻车全因致命bug，AI智商捉急、语音交互全面崩盘
Meta Connect开发者大会上，Meta发布三款智能眼镜，现场演示却屡屡翻车。扎克伯格归咎于Wi-Fi，CTO Bosworth否认，称是资源管理失误和软件bug所致，但网友对此解释并不买账，质疑团队能力。
Meta CTO打脸扎克伯格：首秀翻车全因致命bug，AI智商捉急、语音交互全面崩盘
Meta Connect开发者大会上，Meta发布三款智能眼镜，现场演示却屡屡翻车。扎克伯格将问题归咎于Wi-Fi，CTO Bosworth否认，称是资源管理和软件错误。网友对Meta解释不满，质疑团队能力。