「多模态 Agent 模型」共找到 9639 篇相关文章
CVPR 2025 多模态大一统：斯坦福 x 复旦提出符号主义建模生成式任务
来自多机构研究团队提出基于符号化表征的生成任务描述框架，将符号化思维引入生成任务建模。实验证明，该框架在跨模态生成任务中表现出色，为推进生成式人工智能能力提供了成本效益高且可扩展的基础。
实测腾讯Hunyuan-Image2.0，首个毫秒级实时图像生成模型
今天上午腾讯发布混元图像2.0，以“更智能、更开放、更中国”为理念。其参数规模提升，推理时间大幅压缩，实现毫秒级实时生成，还在画面质量等方面升级，新增实时绘画板功能。
又一位xAI联创宣布创业，押注开源模型和个人AI，融资11亿美元
8月11日，xAI联合创始人伊戈尔·巴布什金创办的River AI完成11亿美元融资。该公司6月成立，团队约20人，刚公开首个产品River API。巴布什金想让企业和个人拥有自己的AI，目前先从企业需求切入。
Cloudflare CEO 警告：未来两年，Agent 会让互联网每周爆出一个 Log4j
Cloudflare CEO Matthew Prince在播客中指出，互联网上Bot流量已超人类，未来五年或暴涨1000倍，旧商业模式将崩塌。他还谈到AI对安全、工作的影响，以及公司转型、互联网未来商业模式等问题。
把VLM塞进隐式世界模型，小鹏机器人新框架让机器人长出物理直觉
机器人大脑架构中VLM和VAM路线各有短板，香港大学、小鹏机器人等团队提出DIAL框架，让VLM在原生特征空间做隐式世界建模，解耦认知决策与底层执行，在机器人部署中表现优异。
全球首个多模态矢量动画生成框架，轻松拿捏跨平台轻量动画
复旦大学等团队推出OmniLottie框架，利用创新分词技术将视频、图文指令变成高质量矢量动画。团队还打造数据集MMLottie - 2M，构建测试基准MMLottie - Bench。实验显示，OmniLottie在多任务测试中优势明显。
「被动感知」到「理解接触」！它石智航重磅发布OmniVTA视触觉世界模型
它石智航联合六大顶尖机构推出OmniVTA视触觉操作框架和OmniViTac大规模视触觉数据集。该框架核心是从被动感知到主动预测触觉，通过多模块协同让机器人有预测、理解和修正能力，实验表现优。
一家00后创办的世界模型公司，凭什么让华为哈勃重金押注？
近日，00后创办的魔芯科技完成Pre - A +轮近亿元融资，由华为哈勃领投。该公司从3D AI物体建模出发，研究独特技术路线，在科研和产品应用有突破，正将能力落地多领域。
谷歌Chrome觉醒！Gemini 3全面接管，38亿用户一夜进入Agent时代
谷歌官宣所有桌面端Chrome浏览器接入Gemini 3，38亿用户的浏览器进化为全能AGI入口。此次更新改变人机交互方式，Chrome具备多种智能功能，如自动浏览、调用全家桶服务等，开启AI驱动的浏览时代。
Agent 2.0时代来了，首批「工业级智能体」正在核心位置上岗
近日科技圈感叹AI工具提升效率，谷歌工程师分享使用智能体经历。1月7日阿里云百炼全面升级，开启智能体‘工业化流水线’时代，解决技术落地问题，发布企业版，推动人机协同时代到来。