「多模态大模型智能体」共找到 9766 篇相关文章
1.9K Star 微软开源TTS王炸！90分钟超长语音合成，4人对话自然切换！
在文本转语音（TTS）领域，生成长篇、多说话人的高质量音频一直是技术挑战。微软最新开源的VibeVoice TTS模型，可一次生成90分钟连续语音，支持4个不同说话人，还具备高效处理长序列等亮点特性。
刚刚，GPT-6开真车考过了科目二！
本文报道湾区极客搭建DrivingBench真车驾考场景，让四款未经过专门驾驶训练的通用大模型挑战科目二，最终GPT-6 Astra成为唯一通关者，颠覆了自动驾驶行业的传统逻辑。
Langchain回应OpenAI：为什么我们不做拖拉拽工作流
OpenAI发布可视化工作流构建器AgentKit，LangChain创始人Harrison Chase写文解释为何不做。他指出工作流与智能体不同，可视化工作流构建器有门槛高、难管理等问题，还给出不同复杂度问题的解决方案。
视远·正心明智——机器之心2025年度AI榜单正式启动
2025年人工智能浪潮奔涌，大模型快速迭代，催生新应用形态，中国AI发展精彩。机器之心精心策划2025年度榜单，涵盖最强技术实力企业等多个类别，有意企业可扫码申报。
上交大 x vivo 团队：一个简单改动，让 diffusion 全面提升丨CVPR 2026
上交大与 vivo 团队提出 C²FG 方法，针对当前 diffusion 模型缺稳定可控生成机制问题，通过 score 差异实现动态引导控制。实验显示，该方法能提升多维度指标，改进生成分布，揭示生成机制新方向。
西湖大学王东林团队论文：机器人需要“通古今，知未来”丨CVPR 2026
西湖大学王东林团队提出论文《HiF-VLA：Hindsight, Insight and Foresight for Vision-Language-Action Models》，介绍HiF-VLA模型，它以“运动”表达时间信息，实现稳定连续决策，性能提升且计算成本低，推动机器人从“看到就做”到“边想边做”。
林俊旸果然创业了！一个“Qwen负责人”头衔值135亿
前阿里千问大模型负责人林俊旸离职后创业，种子轮目标估值20亿美元。他曾深度参与阿里多个大模型项目，离职首篇长文提出“Agentic Thinking”，或为创业方向。
MIT这篇RLM论文，给出了Scaling的另一种可能~
当大家普遍认为解决长上下文问题要靠扩大模型上下文窗口时，MIT 最新的 RLM 论文提出新路径。其 code 已开源，能实现无界上下文处理，可让任意大语言模型处理 10 万 +token。
首个Data Agent基准测试来了！2007个测试任务将数据库、PDF、视频、音频异构数据源一网打尽
南洋理工大学、新加坡国立大学与华为开源首个针对数据智能体异构混合数据分析的基准测试FDABench。它有2007个任务，覆盖多领域多数据源，独创协作框架，能测多种工作流模式的数据智能体。
独家｜清华团队组团创业，押注机器人端侧自进化，已完成首轮融资
过去一个多月，机器人学习风向生变。清华李健雄团队围绕机器人学习等研究多年后成立本溯智能创业。他们认为当下主流技术路线有问题，押注In - Context Learning，让机器人端侧自进化，降低部署成本。