「多模态内容」共找到 1707 篇相关文章
ICME专题征稿 | 具身多模态智能：从感知到世界建模
ICME是多媒体领域国际顶级会议，2026年将在泰国曼谷举行。此次专题征稿聚焦具身多模态智能，涵盖多模态感知、世界模型等主题，介绍了投稿详情及联系方式。
ICML 2026 ｜让大模型边想边说：这篇文章把「何时开口」变成可学习策略
论文《When to Think, When to Speak: Learning Disclosure Policies for LLM Reasoning》针对推理模型的‘沉默税’问题，提出Side - by - Side（SxS）Interleaved Reasoning，将‘何时披露内容’变为可学习决策，经实验验证效果良好。
SRO赋能Qwen-2.5-VL推理性能飙升16.8%
文本领域推理模型成就大，但多模态大型语言模型推理能力扩展遇阻，如冷启动初始化不足等。提出SRO三阶段训练框架，经测试，ReVisual - R1平均性能提升16.8%。
AI 增强截图项目，爽歪歪~
日常截图后手动处理文字、公式、表格耗时又易出错。开源项目`Snippai`将截图与智能分析融合，是跨平台智能截图工具，能自动识别内容类型并处理，有多种功能，安装使用简单。
浙大联合北大开源 Easel：一个 Agent 包办社媒全链路，从热点发现到多平台发布！
浙江大学和北京大学联合开源Easel，这是面向社媒创作者的内容工作台，用一个Agent打通全链路，有画像驱动等六大亮点，还给出清晰的快速上手流程。
商汤新模型 SenseNova-U1 Pro 曝光，对标 GPT-Image-2，瞄准「设计」赛道
商汤科技在股东大会预告下一代旗舰多模态基座模型 SenseNova-U1 Pro，预计 2026 年 7 月邀测，对标 GPT-Image-2，瞄准「设计」赛道，具备多核心能力，还支持 8K 分辨率输出。
SRO架构赋予Qwen-2.5-VL推理能力，性能飙升16.8%
文本领域推理模型成就大，但扩展到多模态大语言模型遇阻力，如冷启动初始化不足等。为此提出 SRO 三阶段训练框架，经测试，ReVisual - R1 平均性能提升 16.8 个百分点。
Soul APP开源了一款高保真播客生成框架，90 分钟对话零崩盘！
Soul APP背后的Soul AI Lab发布开源项目SoulX - Podcast，是高保真推理框架，能生成90分钟以上连贯对话，有多方言切换等功能，或重塑语音内容产业生产方式。
谷歌放大招了，开源命令行AI编程Agent，每天1000次免费调用，编程只是基础功能。
Google推出开源命令行AI编程Agent——Gemini CLI，基于Gemini 2.5 Pro模型，免费提供每日1000次调用额度。它不仅能编程，还具备多模态能力、实时信息整合等功能，支持定制与自动化。
Claude Code 能写十万行代码，读一篇公众号就废了
Claude Code 读链接能力弱，qiaomu - markdown - proxy 这个 Claude Code Skill 可解决。它按 URL 类型走不同通道抓内容转 Markdown，全程免费，安装简单，解决了 Claude Code 系统性短板。