「多模态融合」共找到 1363 篇相关文章
阿里刚刚开源了一款影视级配音项目，口型同步、音色转换都不是事！
阿里通义实验室语音团队联合中科大发布多模态电影配音模型Fun - CineForge，开源模型并构建中文电视剧配音数据集。它能处理多种场景，有视频理解等亮点，还给出制作数据集步骤。
绝美无痕，比你还会P图的Agent！仅通过自然语言指令，灵活使用数百工具，超越GPT-4o达60%
JarvisArt提出多模态大模型驱动的智能Agent，通过理解自然语言指令，协调200+个Lightroom工具，实现媲美专业修图师的非破坏性编辑。其内容保真度超越GPT - 4o达60%，为AI艺术创作开辟新路径。
上海AI实验室发布 Intern Lumina U2：全离散扩散建模，让模型既能“看懂”也能“生成”
上海人工智能实验室发布新一代多模态统一模型 Intern Lumina U2，基于全离散扩散建模路线，支持多任务，适配两大硬件生态，在昇腾千卡级集群训练效率提升 1.85 倍，性能优异且将开放资源。
DeepSeek视觉原语论文：当所有人在堆图像分辨率时，它在堆「指代精度」！
4月30日DeepSeek发布多模态论文，核心是“视觉原语”，让模型边推理边输出坐标。它是七大coding agent玩家中最后接入视觉的，但补课方式反共识，不堆分辨率堆指代精度，效率高，拓扑推理成绩领先。
TGRS 2025 | FSConv：空域捕结构+频域提细节，即插即用的特征增强神器
红外小目标检测存在目标小、背景干扰大难题，传统卷积易丢失特征信息。TGRS 2025论文提出FSConv模块，通过双域融合提升特征表达能力，具备多尺度特征保持、轻量化、自适应增强等优势，有广泛应用场景。
RISC-V×AI生态大会暨ArchitStudio用户大会成功举办，共绘智能计算生态新图景！
12月26日，‘RISC-V×AI生态大会暨ArchitStudio用户大会’举办，DSA领域计算实验室揭牌。浦软与隼瞻科技将依托其开展研究、转化成果。会上各方共话RISC-V与AI融合机遇，还展示了ArchitStudio等产品应用。
震撼！AI物理「双修」：亥姆霍兹方程嵌进生成器，伪影当场消失
抢滩6G前夜，香港科技大学（广州）等机构发布PhyRMDM框架，将物理约束与生成模型能力融合，解决传统AI构建无线电地图预测失真问题，成果被顶会ACM MM 2025接收，代码和权重已开源。
面向长时语音与声音克隆的全模态开源万能聊天机器人MGM-Omni
文章介绍了全模态开源聊天机器人MGM - Omni，它基于MiniGemini，支持多模态输入输出，具备长语音理解、生成、流式生成、零样本语音克隆等特性，还给出安装、使用方法，展示评估结果。
万万没想到，这家央企竟让香农和图灵又“握了一次手”
中国电信人工智能研究院研发布局的智传网（AI Flow），让信息技术和通信技术融合。在WAIC中，李学龙提出智传网三律，即信容律、同源律和集成律，打破传递智能的‘壁’，为数字世界带来深远影响。
别再“演智能”了，MiniMax Agent 才是真特工
2024 年有不少‘伪 Agent’项目，2025 年 AI Agent 开始在解决真实问题上落地。MiniMax Agent 在深度研究、网页生成、PPT 生成及多模态输入输出上超越竞品，其优势源于多方面，已从众多 Agent 产品中脱颖而出。