「VLM多模态理解能力」共找到 1578 篇相关文章
大语言模型高考数学拿高分靠强化学习，那文科考高分得靠什么？
大语言模型在高考数学拿高分靠强化学习，但文科题无标准答案，此方法行不通。豆包1.6系列高考文科全科获683分，靠训练数据、思维链、长上下文和多模态直接读图等因素。
DeepSeek又又又又发新论文了！这一次，他们重构了AI看图的方式
DeepSeek发布论文DeepSeek - OCR 2，指出传统AI看图方式有误，提出视觉因果流概念。其两阶段级联推理解法效果显著，还可能整合进即将发布的DeepSeek V4，有望实现原生多模态。
具身智能迈入下半场，RoboMemArena全面评测机器人记忆系统
香港科技大学（广州）等多机构打造具身智能评测基准 RoboMemArena，突破传统局限，构建综合评测体系，配套真机测评。它提供多模态标注，任务长程多样，开源资源易用，PrediMem 在其上表现出色。
OpenAI 推出 gpt-realtime：语音智能体进入“秒回”时代，开发者直呼交互更自然
OpenAI 发布语音对语音模型 gpt - realtime，开放 Realtime API。其结合可端到端处理语音，缩短响应时间。模型语音质量、理解能力、函数调用能力提升，API 全面升级，多家企业已试点，还强化了安全措施。
字节豆包2.0重磅发布！成本暴降一个数量级，Seed团队揭秘视频Agent竞争关键
今天，字节正式发布豆包大模型 2.0 系列，围绕大规模生产环境需求优化，提供多款通用 Agent 与 Code 模型。其成本优势明显，多模态能力升级，未来将聚焦长链路智能系统构建。
Claude Code创始人内部分享：10个实战技巧
Claude Code创始人Boris Cherny公开团队使用该AI编程工具的完整经验，涵盖并行处理、计划模式等10个实战技巧，还指出理解思想、找到适合自己的工作流程更关键。
刚刚，全球AI生图新王诞生！腾讯混元图像3.0登顶了
LMArena竞技场发布文生图榜单，腾讯混元图像3.0夺冠，超越谷歌、字节和OpenAI等模型。它是原生多模态模型，语义理解强，核心技术独特，经多阶段训练，效果能与顶尖模型媲美。
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。
Karpathy最新发文：醒醒！别把AI当人看，它没欲望也不怕死
Andrej Karpathy在推文中反驳将大模型视作「更聪明人类」的观点，指出大模型是「非生物」智能，其进化压力、学习机制、运行方式与人类不同。清楚这是全新智能，对理解大模型很重要。
MIT给微型机器人做了颗芯片，功耗仅6毫瓦，能实时3D建图
麻省理工学院研究团队开发出名为 Gleanmer 的微型芯片，功耗仅 6 毫瓦，能实时生成三维占据地图。它解决了机器人导航核心问题，通过多项优化提升性能，或让小设备拥有空间理解能力。