「多模态玩法」共找到 1446 篇相关文章
腾讯纯文本LLM训视觉encoder，拿捏图表长视频，达到开源小模型SOTA！
腾讯开源Penguin - VL，直接用纯文本LLM训视觉编码器，跳出传统多模态拼接套路。在2B/8B紧凑参数规模的复杂任务中竞争力强，训练分三阶段，相关代码、模型等已开放。
产业级 Agent 如何破局？百度吴健民：通用模型难“通吃”，垂直场景才是出路
InfoQ 采访百度吴健民探讨产业级 Agent 破局点。他指出 Agentic 模型训练卡点在真实环境复刻；通用模型难“通吃”，垂直场景定制模型是关键；多模态未实现统一建模，分开优化效果更好。
开源半自动化交互工具
Automat 目标是半自主玩各种游戏，是构建通用计算机交互环境首步。目前功能限于键盘宏录制和回放，不稳定。它是进行中的项目，路线图有激进新功能。文中介绍下载、运行方法及项目地址。
清华刘知远团队：高质量LLM训练数据获取新方法！成本降90%，性能大提升
清华刘知远团队论文提出全新数据筛选方案，解决传统数据筛选验证慢、主观性强问题。发明‘半成品加工法’降成本，用fastText筛数据，筛出Ultra - FineWeb数据集，提升模型性能，还计划拓展到专业领域。
ICLR 2025新成果：文档检索“降本增效”，从此“开挂”
传统文档检索系统处理视觉信息丰富的文档存在瓶颈，ColPali方法直接从文档页面图像生成多向量嵌入，简化流程、提高性能、降低延迟。ColQwen - Omni在其架构上扩展到图文+音频多模态匹配。
炸裂！谷歌I/O大会王者归来：Gemini“世界模型” 初现，搜索“换脑”，一句话制作原声电影
谷歌I/O 2025大会发布大量技术，虽Gemini 2.5 Ultra未到，但Pro有革新。还推出新模型、代理工具，多模态能力提升，搜索重塑，加入AI眼镜开发，倾尽全力发展AI生态。
FACTS 基准测试套件问世，用于评估大型语言模型的事实准确性
FACTS 基准测试套件由 FACTS 团队与 Kaggle 联合开发，基于原 FACTS Grounding Benchmark 增加三个新基准，可从四个维度评估大模型事实性。初步结果显示进展与挑战并存，多模态成难题。
智谱联合清华开源多图参考视频生成模型，带来主体一致性新高度
合肥工业大学、清华大学和智谱开源多主体参考视频生成模型Kaleido。它用全新数据构建法和精巧架构，解决主角与背景混淆难题，实验显示其在多维度表现优异，超越现有开源模型。
开源版MetaQuery来了！OpenUni用1.1B参数媲美BLIP3-o-8B，数据代码完全开源
南洋理工大学 S-Lab 和商汤科技团队推出开源版 MetaQuery——OpenUni，仅 1.1B 参数达 8B 模型性能，代码、权重、数据全开源。它架构极简、参数高效，还继承了多模态理解能力。
UniPat AI开源SWE-Vision：五百行代码打造SOTA视觉智能体！
多模态大模型代码能力进步大，但基础视觉任务常失误。UniPat AI开源SWE-Vision框架，让模型用Python代码处理视觉判断。它极简设计，在五个视觉基准测试达最优，提升前沿模型视觉表现。