「多模态AI交互」共找到 10506 篇相关文章
ACL 2026｜证据摊开看，场景图画清：让流式视频大模型拿捏「何时开口」
随着多模态和大语言模型发展，人类与 AI 交互走向共生。现有视频大模型难把握响应时机，西北工业大学等团队在 ACL 2026 提出 Response - G1 框架，实验显示其提升了模型性能。
谷歌深夜双发！最便宜Nano Banana来了
谷歌深夜上线Nano Banana 2 Lite和Gemini Omni Flash。前者是最快最便宜文生图模型，4秒生图且成本低；后者是视频生成模型，支持多模态输入和对话式编辑。二者串联打通创作流水线，还集成SynthID水印技术。
4.5k星星爆火！用图片压缩Fable 5上下文，成本大幅降低，终于用得起这个模型了
Fable 5在AI圈爆火，但使用成本比其他型号贵至少5倍。pxpipe项目把适合压缩的大段文本渲染成PNG图片，交给多模态模型读取，能大幅降低成本，还能增加上下文长度。
一个问题几百美元，DeepMind智能体一次搞定了9个Erdős问题
DeepMind团队的大模型在一次‘测试’中解决9个开放的Erdős问题，还自动验证，解法通过人工审查。其框架AlphaProof Nexus结合大模型与Lean编译器，研究展示了AI辅助正式证明搜索技术潜力。
一步步实战 CopilotKit（AG-UI协议）：生成式 UI 与集成 Human-in-the-Loop【下】
文章延续上篇Demo，探索CopilotKit在重要场景的应用，如基于Agent的生成式UI、HITL人类参与流程等。展示了相关实例操作步骤与前端效果，指出其为构建智能应用奠定基础，降低AI融合门槛。
突发！Meta刚从OpenAI挖走了清华校友宋飏
刚刚，OpenAI前高层研究员宋飏加盟Meta Superintelligence Labs任研究负责人，向赵晟佳汇报。此次人事流动或透露出Meta在AI竞赛中释放的三重信号，如MSL人才拼图更完整等。
NUS、牛津等联合发布音视频智能综述：系统梳理大模型时代的AVI全景图
NUS领衔近10家机构发布音视频智能综述，系统梳理大模型时代AVI发展全貌，涵盖感知、生成与交互，复盘子方向工作，构建任务蓝图，整理评测体系，总结基础技术，还探讨应用、安全及未来研究方向。
不写Prompt，连按Tab完成重构：蚂蚁CodeFuse团队提出无指令代码编辑框架NES
在AI coding工具快速演进的当下，蚂蚁集团CodeFuse算法团队在FSE 2026提出无指令代码编辑框架NES。它从历史编辑轨迹学习开发者意图，有双模型架构，实现分三环节，重构交互链路，提升开发者体验。
世界模型==VQA？机器人不用想象画面，预测语义就够了
华盛顿大学、索尼AI研究者在新论文中质疑机器人世界模型是否需想象精确未来画面。指出多数模型还原画面不适合决策，提出语义世界模型SWM，能预测未来语义信息，实验效果良好。
实时编辑、实时互动视频双旗舰，Vidu S2发布即体验
本文介绍生数科技推出的Vidu S2，专为实时交互编辑设计的AI视频模型，覆盖三类核心能力，公开技术路线，发布当天开放体验与API，迭代仅用69天。