搜索：多模态视觉语言模型

「多模态视觉语言模型」共找到 2249 篇相关文章

@所有开发者：Agent变现，阿里云百炼联合支付宝首创「AI打赏」！Agent Store全新发布

2025年是Agent元年，不过很多项目卡在POC阶段。6月25日阿里云百炼3.0全新升级，联合支付宝推“Agent打赏”功能，还上线Agent Store。此外，它升级多模态RAG和MCP能力，推出多模态交互开发套件。

李飞飞创办的 World Labs 发布多模态世界模型 Atlas，可原生处理多类型数据，有世界生成、重建和模拟等能力。还介绍其研发历程、技术特点，以及 World Labs 收购、融资等情况。

AI教母李飞飞一年前访谈再引关注，她指出大语言模型或许并非真正智能，其基于一维语言信号训练，在理解三维物理世界存在局限。相关实验也证实大模型在物理任务表现差，不过也有人提出不同观点。

合肥工业大学与清华大学团队推出视频大语言模型综合可信度评测基准 Trust-videoLLMs，对 23 款模型从五维度 30 项任务评测，揭示性能格局，指出模型现存问题，还开源评测框架等。

图像编辑与生成模型爆发，冲击Photoshop地位。港科大贾佳亚团队开源DreamOmni2，优化升级多模态指令编辑与生成能力，效果获海外创作者认可，还在实测中表现出色，其采用创新技术方案构建多模态生成体系。

北大与港中文研究团队发布 Fast-in-Slow（FiS-VLA）全新双系统视觉 - 语言 - 动作模型，将快速执行模块嵌入预训练视觉 - 语言模型，实现快慢系统一体化。该模型在多平台表现优异，控制频率大幅领先。

水下机器人深度感知难题待解，北大等机构提出StereoAdapter框架。它结合单双目视觉，以自监督学习适配视觉基础模型到水下域，设计双阶段结构、自监督训练策略等，实验效果好，未来还将多方面改进。

Moonshot AI推出最强Agentic模型Kimi K2.5，发布后热度起飞。它实现多功能一体化整合，具备设计审美，支持可视化编辑，推出编程工具Kimi Code。在多项测试中表现优异，还能在办公领域发挥作用，其智能体集群提升了效率。

大语言模型领域，推理效率制约实际应用。谷歌Gemini diffusion曾展扩散模型并行潜力，但开源扩散LLM推理慢。近日，NVIDIA等推出Fast - dLLM，无需训练即插即用，推理速度狂飙27.6倍，兼顾速度与精度。

针对视觉 Transformer（ViT）‘低通滤波’特性致细节丢失问题，北京理工大学等团队提出即插即用的 FDAM 模块。它受电路理论启发，能提升模型在分割、检测等任务性能，取得 SOTA 效果，有巨大应用潜力。