「原生多模态长思维过程」共找到 1335 篇相关文章
首次！世界模型、动作模型融合，全自回归模型WorldVLA来了
阿里巴巴达摩院提出全自回归模型 WorldVLA，首次融合世界模型与动作模型，统一文本、图片、动作理解和生成。它用独立编码器处理多模态数据，还提出策略解决误差累积问题，实验表现优异。
绝美无痕，比你还会P图的Agent！仅通过自然语言指令，灵活使用数百工具，超越GPT-4o达60%
JarvisArt提出多模态大模型驱动的智能Agent，通过理解自然语言指令，协调200+个Lightroom工具，实现媲美专业修图师的非破坏性编辑。其内容保真度超越GPT - 4o达60%，为AI艺术创作开辟新路径。
刚刚，AI大牛刘威视频创业公司Video Rebirth，完成5000万美元融资
AI视频初创公司Video Rebirth完成5000万美元融资，由刘威博士创立，致力于打造“视频原生的世界模型”。融资用于视频模型迭代等，解决行业痛点，其核心创新机制让模型表现突出。
上海AI实验室发布 Intern Lumina U2：全离散扩散建模，让模型既能“看懂”也能“生成”
上海人工智能实验室发布新一代多模态统一模型 Intern Lumina U2，基于全离散扩散建模路线，支持多任务，适配两大硬件生态，在昇腾千卡级集群训练效率提升 1.85 倍，性能优异且将开放资源。
DeepSeek视觉原语论文：当所有人在堆图像分辨率时，它在堆「指代精度」！
4月30日DeepSeek发布多模态论文，核心是“视觉原语”，让模型边推理边输出坐标。它是七大coding agent玩家中最后接入视觉的，但补课方式反共识，不堆分辨率堆指代精度，效率高，拓扑推理成绩领先。
面向长时语音与声音克隆的全模态开源万能聊天机器人MGM-Omni
文章介绍了全模态开源聊天机器人MGM - Omni，它基于MiniGemini，支持多模态输入输出，具备长语音理解、生成、流式生成、零样本语音克隆等特性，还给出安装、使用方法，展示评估结果。
阿里 Qwen 又双叒发模型，继基础、编程模型后，最强推理模型 Qwen3 Thinking 登场，击败Gemini 、R1？
阿里通义千问发布最强推理模型 Qwen3-235B-A22B-Thinking-2507，逻辑、通用技能等能力更强，原生支持 256K 上下文。此前已发布基础和编程模型，Qwen API 在 OpenRouter 表现佳，受社区关注。
别再“演智能”了，MiniMax Agent 才是真特工
2024 年有不少‘伪 Agent’项目，2025 年 AI Agent 开始在解决真实问题上落地。MiniMax Agent 在深度研究、网页生成、PPT 生成及多模态输入输出上超越竞品，其优势源于多方面，已从众多 Agent 产品中脱颖而出。
亿万打工人在用的WPS，未来可能要重塑你的工作流
WAIC上，金山办公发布WPS AI 3.0及原生Office办公智能体WPS灵犀。WPS知识库解决文档管理难题，WPS灵犀功能全面，能深入办公场景，还推动AI办公向Agentic Software演进。
夜间感知新突破！北航等提出红外主导的高效目标检测方案 | ECCV'26
在复杂视觉场景中，传统RGB - IR多模态检测方法在低照度等场景下因RGB退化影响检测效果。北航等团队提出的InfraNet，以红外为主，用质量感知机制控制RGB引导，在多数据集取得强竞争力结果。