「多智能体平台」共找到 7228 篇相关文章
AI们数不清六根手指，这事没那么简单。
作者测试发现Grok4、OpenAI o3等多模态模型都将六指图数成五指，仅Claude 4偶尔答对。研究揭示大模型看图片用记忆而非视觉，易受刻板印象影响，在工业等场景或引发严重后果。
UIUC提出隐式监督新范式：无需标注/RM即可全面提升多模态Reasoning的感知能力
大型多模态模型在复杂多模态推理中面临挑战，67%错误源于视觉感知缺陷。为此，UIUC提出PAPO，通过隐式感知损失提升模型感知能力，无需额外标注，在多模态基准上表现优异，还解决了KL黑客问题。
单向VLM变双向！人大斯坦福等提出MoCa框架：双向多模态编码器
人大、斯坦福等机构提出MoCa框架，将单向视觉语言模型转化为双向多模态嵌入模型。它通过持续预训练和异构对比微调，解决传统模型局限，在多模态基准测试中表现优异，尤其小规模模型性能突出。
大模型时代，通用视觉模型将何去何从？
过去通用视觉模型（VGM）是研究热点，想实现‘视觉模型大一统’。但大语言模型发展使研究热点转移，视觉‘独立性’被重新定义。清华鲁继文团队综述梳理其进展，探讨现状、挑战与应用潜力。
UofT、UBC、MIT和复旦等联合发布：扩散模型驱动的异常检测与生成全面综述
多伦多大学、麻省理工学院等高校研究者合作完成长文综述，聚焦扩散模型在异常检测与生成领域的应用，梳理图像、视频等异常检测任务进展，提供分类体系，展望未来趋势。
谷歌开源Gemma 3n：2G内存就能跑，100亿参数内最强多模态模型
本周五凌晨，谷歌正式发布、开源全新端侧多模态大模型 Gemma 3n。它有多模态设计、专为设备端优化等特性，核心是 MatFormer 架构，还采用了 PLE 技术等，在多方面实现质量提升。
刚刚，何恺明官宣入职谷歌DeepMind！
AI大神何恺明正式入职谷歌DeepMind担任杰出科学家，同时保留MIT终身副教授身份。他因提出ResNet名震江湖，研究成果多且获奖无数，今年也成果不断，将助力DeepMind的AGI目标。
Lovart的开源平替产品，完全本地免费的AI设计Agent。
Lovart是热门AI设计Agent但使用成本高，现找到开源平替项目Jaaz。它接OpenAI绘图API，支持Comfyui等本地工具，能免费本地使用，功能丰富，还将推视频生成功能。
浙大 95 后团队，发布全球首个旅行 WebAgent
浙大95后团队发布全球首个旅行WebAgent产品「iMeanAI Coyage」，它自称“全球首个真正意义上的AI旅行伙伴”，能打破旅行行业格局，为用户提供一站式服务，解决旅行规划痛点。
快速行动，创造未来：AI时代的职业新法则——LinkedIn联合创始人给即将踏入AI时代职场的毕业生一些忠告
LinkedIn联合创始人Reid Hoffman给即将踏入AI时代职场的毕业生忠告。虽就业形势严峻，但毕业生应兴奋，主动驾驭AI，用其优化职业，具备AI素养，发挥主动性，重视人际关系，创造未来。