「多模态交互」共找到 1489 篇相关文章
让模型“看视频写网页”，GPT-5仅得36.35分！上海AI Lab联合发布首个video2code基准
上海人工智能实验室等机构提出IWR - Bench评测基准，从“image - to - code”迈向“video - to - code”，对28个主流模型测试，最佳模型GPT - 5仅36.35分，指出当前模型短板，为研究指明方向。
ACL 2026 | 赋予视频生成「视觉思维链」：VChain显式建模时空规划与状态演变
南洋理工大学团队在ACL 2026发表VChain框架，引入大模型视觉推理能力提升视频逻辑连贯性。它分三步实现，实验效果超现有方法，还展示视频推理与生成的潜在趋势，为多模态模型协作提供范例。
MiniMax M3 实测：第一流的模型，已经对执行层动手了
文章对 MiniMax M3 模型进行多维度实测。它强化 Coding 与 Agent 能力，能完成长任务，与 Sonnet 4.6 竞技各有优势，多模态能力强，价格有竞争力，MiniMax Code 意在争夺开发者工作流入口。
告别JSON冗余：TOON让Token成本降低30-60%
LLM交互用JSON有冗余，成本高、速度慢。TOON格式专为LLM优化，结合YAML和CSV特点，比JSON减少30 - 60%的token消耗，还介绍了特性、上手方法、集成实践和适用场景。
看看人家的项目，一行命令即搞定，优雅、好看！
开源君发现神器 Freeze，它由 Charm 团队开发，能将代码文件或终端输出渲染成图片，支持多格式、高度定制，有交互界面，在 GitHub 获 4.4k Star，适合写博客、做分享的人。
Meta重组AI团队后首个模型来了：不是最强、不再开源、可能够用
当地时间4月8日Meta发布Muse Spark，是重组AI团队后首个模型。它计算效率有提升，在多模态和健康任务领先，但在编程等场景落后。该模型闭源，适配Meta产品，未来优先产品再生态。
跳过88%专家，保住97%性能！MoE推理的正确玩法| CVPR’26
多模态大模型走向大规模，MoE架构虽降低计算开销，但推理成本仍高。香港科技大学等团队提出MoDES，它是training - free动态专家跳过框架，能跳过88%专家还保留97%性能，推理速度提升2倍。
TRAE SOLO移动端上线，手机也能干活了，随时随地Vibe Working
TRAE SOLO 移动端上线，实现手机、桌面、网页三端打通，全量开放。它让闪念能无缝接入工作流，还带来实时语音交互、飞书 CLI 接入、定时任务等功能，推动智能体走向新阶段。
手机操控革命！开源手机AI Agent，自然语言操控Android/iOS！
传统移动设备自动化工具难实现自然语言控制和跨应用交互，开源项目Mobile - Use提供解决方案。它由Minitap AI开发，能通过自然语言指令实现设备UI感知自动化，功能丰富，应用场景广。
基于百万亿 Token 的 AI 使用模式分析：趋势、拐点与未来｜PPT分享
近期OpenRouter报告《人工智能现状：基于OpenRouter的100万亿Token实证研究》，分析超100万亿个token的真实世界LLM交互数据，弥补LLM实际使用情况证据不足，揭示2024年转折及多方面发现。