搜索：多模态 Agent 模型

「多模态 Agent 模型」共找到 9639 篇相关文章

4000 Star，Vibe Coding终级指南：胶水编程

Vibe Coding由karpathy提出，本文分享其终极指南。介绍了胶水编程、方法论精要、工具资源、编码模型性能分级参考等内容，还给出架构与工作流程，建议选第一梯队模型处理复杂任务。

本文介绍如何用Qoder、阿里云ADB Supabase和通义千问图像编辑模型，快速搭建AI手办生图Flutter移动端应用，无需自建传统后端，涵盖思路、环境准备、各环节配置及流程等内容。

过去一个月，淘宝、微信支付、支付宝等大厂纷纷将核心能力以 MCP、Skill、CLI 形式交给 AI Agent 调用。如淘宝支持 AI 完成购物操作，支付巨头开放 AI 接入方案，滴滴和千问有打车 Skill 等。

文章围绕多模态检索增强生成（MRAG）的关键技术展开。介绍多模态文档的三种类型，阐述文档解析与索引的方法，包括基于提取和基于表示的方法，还指出基于提取方法存在的局限性。

HKUST、北航与商汤提出HarmoniCa框架，解决Diffusion模型推理慢、成本高问题。它通过SDT和IEPO机制，解决训练 - 推理脱节，在多模型上实现推理提速、质量提升，且训练推理开销低，已开源。

OpenAI 发布语音对语音模型 gpt - realtime，开放 Realtime API。其结合可端到端处理语音，缩短响应时间。模型语音质量、理解能力、函数调用能力提升，API 全面升级，多家企业已试点，还强化了安全措施。

8月20日，斯坦福大学吴佳俊在IJCAI 2026发表“计算机与思想奖”获奖演讲。他指出像素是表象，物理结构才是因果，提出以物理代码为桥，融合基础模型泛化力与物理模拟因果性，构建视觉与物理智能。

原阿里千问技术负责人林俊旸官宣在上海创办新AI公司Pragmatik Labs，研究横跨数字与物理世界的下一代Agent。其获高榕创投、红杉中国领投，腾讯等支持，投后估值约20亿美元。

Anthropic驻场哲学家Amanda Askell主导设计Claude的性格等机制，她分享制定有效AI提示词方法，认为需哲学思维。此外还提及不同人对提示词看法，以及大模型存在的「裂脑问题」。

AI已足够聪明，却不够温柔。斯坦福博士Eric Zelikman离开xAI，创立Humans&，以40亿美元估值筹集10亿美元，要打造具「情感智能」的模型，让AI学会理解人，资本也开始为「共情」下注。