「多模态输出」共找到 1196 篇相关文章
等等，MiniMax H3不是刚发布吗？怎么就卷到几分钱的价格了……
MiniMax新发布的视频模型H3在多模态能力出色，霸榜Artificial Analysis榜单。但开源模型有部署和成本难题，秘塔AI上线该模型，免部署，2K方案0.15元/秒，768P方案0.09元/秒，降低创作门槛。
上周 GPT 和 Codex 各有一个发布，很多人没注意吗？可以解锁 Codex 百万上下文了
最近基模发布多，OpenAI 俩更新被低估忽略。一是 GPT - 5.6 Sol 的 Ultrafast 模式，输出最高达每秒 750 Token，先向少量 API 客户开放；二是 Codex 为其开放百万上下文能力，不过大窗口有代价。
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。
“每给 Claude Code 提一个请求，我就点上一根烟，放松下”
OpenFGA核心维护者Siddhant Khare写博客吐槽在使用AI编程中的“疲惫感”，指出AI带来职业疲惫，如任务量膨胀、角色转变、输出不确定等，还提及行业追新工具的弊端，强调工程师要设边界保护认知资源。
超棒Claude官方提示词：Anthropic发布Claude 4.x提示工程最佳实践
Anthropic发布Claude 4.x提示工程最佳实践，这些原则在顶尖大模型中一般通用。它强调精准指令驱动性能，构建记忆与状态管理机制，优化工具调用编排，激发高阶认知与专业输出，重塑代码美学与工程规范。
8B硬刚72B！MiniCPM-V 4.5技术报告正式出炉
行业首个具备“高刷”视频理解能力的多模态模型MiniCPM-V 4.5技术报告发布，提出三项关键技术，使模型在多任务达同级SOTA，8B参数规模超72B模型，推理快，开源后获社区好评。
突破高分辨率图像推理瓶颈，复旦联合南洋理工提出基于视觉Grounding的多轮强化学习框架MGPO
先进多模态大模型处理高分辨率图像有瓶颈，复旦和南洋理工研究者提出基于视觉Grounding的多轮强化学习方法MGPO，能让模型精准推理，还可使模型从答案反馈中涌现视觉定位能力，避免依赖昂贵标注。
FairyGen：AI 把孩子的画“动”起来，个性化教育和动画创作
FairyGen 能将孩子画作变成卡通短片，通过多模态大语言模型构思分镜脚本，采用分层建模处理前景人物动作与背景动态。其生成流程分四阶段，但也存在前景角色重建不准、背景生成不稳定等问题。
OpenAI未公开的o3「用图思考」技术，被小红书、西安交大尝试实现了
OpenAI推出的o3推理模型打破传统文字思维链边界，实现图像融入推理过程。小红书与西安交大联合构建多模态深度思考模型DeepEyes，尝试实现类似能力，还开源技术细节，在多任务中表现出色。
让大模型“边看边改”，视觉分割准确率直接上涨9% | ICML 2026
复旦、创智联合推出RSAgent，让多模态大模型通过多轮工具调用生成准确掩码，解决视觉分割难题。该工作入选ICML 2026，实验显示其在多个测试集上表现领先，还展示了从‘看图问答’到‘视觉行动’的路径。