「多模态交互」共找到 1457 篇相关文章
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。
ICRA 2026｜NUS邵林团队提出T(R,O) Grasp：刷新跨智能体灵巧抓取SOTA，实现5FPS动态环境交互
新加坡国立大学邵林团队提出T (R,O) Grasp，这是基于物体—机器手空间关系建模的图扩散架构，有跨智能体统一表征能力，在多种智能体上平均抓取成功率达94.83%，刷新跨智能体灵巧抓取SOTA。
腾讯AngelSlim升级，首个集LLM、VLM及语音多模态为一体的投机采样训练框架，推理速度飙升1.8倍
随着大模型应用成本与延迟问题凸显，腾讯混元升级 AngelSlim 训练框架，将投机采样技术拓展至全模态场景。它以 Eagle3 架构让推理速度最高飙升 1.9 倍，还具全模态训练、面向部署等亮点，有开源代码。
1.9K Star 谷歌开源MCP Toolbox,支持langchain、llamaindex、各类数据库
谷歌开源MCP Toolbox获1.9K Star，支持langchain、llamaindex和各类数据库。它位于应用编排框架间，能简化数据库配置等，可用自然语言交互，还给出python调用方法。
刚刚，ChatGPT Pulse上线！私人秘书不再是富人特权
OpenAI官宣ChatGPT Pulse上线，它改变LLM交互方式，从被动变主动。每晚研究，晨送简报，涵盖工作、生活、兴趣目标。其主动受用户控制，还给出三个试用场景。
自然语言秒搜千级节点！阿里ComfyUI-Copilot开源：AIGC实时工作流一键生成!
在AIGC领域，ComfyUI虽强大但节点复杂。阿里团队开源ComfyUI - Copilot，通过自然语言交互增强工作流自动化，有节点搜索、工作流构建等功能，简化操作，提升效率。
谷歌神秘模型Kingfall泄漏！
近日，谷歌AI模型Kingfall在AI Studio平台短暂开放后意外曝光。它具备多模态处理能力，上下文窗口6.5万个token，有两种模式。生成SVG矢量图能力超Claude 4，身份猜测不断。