「多模态交互」共找到 1489 篇相关文章
ICML 2026 Oral | 为3D空间智能数据构建全自动数据飞轮，Holi-Spatial打造400万级空间多模态数据集
来自多机构的研究团队提出 Holi - Spatial，可从原始视频自动生成 3D 重建等数据，构建 400 万级空间标注数据集 Holi - Spatial - 4M，提升 VLM 空间能力，还形成自动化数据飞轮，但存在计算成本高、特定场景表现不佳等局限。
VEGA-3D：释放视频生成模型中的隐式3D知识，重塑3D场景理解与具身交互
华中科技大学与百度联合提出VEGA - 3D，释放视频生成模型隐式3D知识。它将视频生成模型作‘潜在世界模拟器’，用自适应门控融合机制，提升场景理解等任务表现，无需额外3D标注数据。
最强多模态模型也拿不到30分？DeepImageSearch定义相册搜索新范式，开启个人视觉记忆的深度搜索时代
人大窦志成教授团队联合OPPO研究院提出DeepImageSearch图像检索新范式，将其从“逐张语义匹配”推向“语料库级上下文推理”。团队构建评测基准DISBench，用ImageSeeker框架评测主流模型，结果显示最强模型单次完美解决查询比例不超三成。
牛津VGG、港大、上交发布ELIP：超越CLIP等，多模态图片检索的增强视觉语言大模型预训练
牛津VGG、港大、上交大团队论文提出ELIP方法，用学术界资源增强视觉语言大模型预训练，用于文字 - 图片检索。该论文被大会接受并获最佳论文提名。ELIP可应用于多个大模型，实验显示能显著提升图片检索表现。
教多模态大模型学会“反思”和“复盘”，上交&上海AI Lab重磅发布MM-HELIX&AHPO，破解多模态复杂推理难题
上海交通大学和上海人工智能实验室研究团队带来MM - HELIX，这是完整生态体系，赋予AI长链反思性推理能力。其含基准测试、数据集、优化算法，搭载相关技术的模型表现优异，部分成果已开源。
“今天的顶级智能，一年后就会沦为平庸的廉价品” OpenAI总裁：AGI 的终极交互是“没有界面，没有产品”
OpenAI总裁Greg Brockman分享了对AI发展的看法，称2023年推出的插件功能失败，因当时大模型未准备好。他认为未来AGI是隐形虚拟助理，无界面和产品。还指出算力稀缺，智能折旧快，模型改进空间大。
让大模型多模态检索全面超越SOTA！ReCALL框架化解生成式与判别式的范式冲突｜CVPR'26
紫东太初团队联合新加坡国立大学攻克大模型检索难题，其ReCALL框架以‘诊断 - 生成 - 校准’闭环体系解决范式冲突，让大模型变身高效检索器，成果被CVPR 2026录用，刷新SOTA性能。
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。
登顶全球权威榜单！浙大创业团队百卡打造开源实时世界模型，视频秒变可交互4D世界
全球科技界正豪赌「世界模型」，但主流模型多停留在「视觉生成」。中国影溯公司发布并开源世界模型 InSpatio - World，综合性能优异，以小博大登顶权威榜单，降低了物理世界数字化门槛，引发行业关注。
Qwen3-VL-Seg 深度解读：当多模态大模型学会"像素级精准手术"，仅用0.4%参数碾压8B模型
文章深度解读阿里通义实验室发布的Qwen3-VL-Seg，它解决开放世界指代分割问题，用仅17M参数（占基础模型0.4%）在4B规模超越8B模型。介绍其原理、架构、数据、实验结果，还给出实战代码。