「多模态交互」共找到 1457 篇相关文章
创新性自动化 AI 工具-终结者机器人
Terminator是最快的AI优先计算机操作SDK，用类似Playwright的API与Windows原生GUI应用交互，比基于视觉的方案更快更可靠，能操作后台应用。它重点支持Windows，部分支持macOS，暂不支持Linux。
无需租GPU，一台24GB内存的笔记本就够了!
阿里开源稀疏 MoE 模型 Qwen3.6-35B-A3B，总参数 35B，激活 3B。它在智能体编程上超越前代，可与稠密模型媲美，支持多模态，已在 Qwen Studio 上线，还能集成第三方编程助手。
SIGIR 2025 | 视频检索新范式！北邮、北大等联合提出AV-NAS：首个音视频哈希搜索架构，让Mamba与Transformer自动“组队”
北邮、北大等团队提出 AV-NAS，在多模态视频哈希领域引入 NAS，构建含 Transformer 与 Mamba 的统一搜索空间。该方法能自动发现最优跨模态融合机制，揭示音频时序建模中“CNN + FFN”结构更优，代码已开源。
三维空间太难懂？RoboTracer让机器人理解复杂空间指令，推理3D空间轨迹，开放世界也能精确行动
家庭环境复杂，让机器人理解空间指令难，现有VLM多聚焦2D推理。北航、北大等联合推出多模态大模型RoboTracer，能精准生成3D轨迹，在多项评测中领先，还能直接集成到机器人，完成复杂任务。
AI落地的另一种可能性
Sam Altman用APP解决AI落地问题，如将ChatGPT打造成“超级APP”，但此模式有交互形态受限、生态割裂的缺点。作者认为这是权宜之计，并设想把AI作为“通用智能层”嵌入各行业软件，Anthropic有此可能。
救命！ Canvas？3.1k Star Mind Elixir ，真丝滑！！！！
Mind Elixir是可嵌入的JavaScript脑图内核，零依赖、框架无关。它能将JSON数据变成可交互节点，有拖拽、编辑等功能。适合知识库等场景，不适合只需不可编辑宣传图等场景。
突破全模态AI理解边界：引入上下文强化学习，赋能全模态模型“意图”推理新高度
在多模态大语言模型应用多元的当下，对模型理解人类意图需求迫切。阿里巴巴通义实验室团队推出HumanOmniV2，解决现有推理路径问题，其相关代码等开源，在多基准数据集成果突破性领先。
最低仅需2G显存，谷歌开源端侧模型刷新竞技场纪录，原生支持图像视频
今天凌晨，谷歌官宣Gemma 3n，原生支持多模态。它在大模型竞技场超1300分，是首个超此分数的10B以下模型。其VRAM占用低，最低2GB，已在谷歌AI Studio等可用，还公开了技术细节。
李飞飞3D世界模型公测，网友已经玩疯了
今日李飞飞创立的World Lab推出全新3D世界生成模型Marble并开启公测。普通人能靠文本等生成专属3D世界，还能在VR体验。它功能强大，未来将重点发力交互性。
ChatGTP 发布 Agent 了，但我更推荐 MiniMax
作者受邀内测 MiniMax Agent 新功能，体验用其搭建 AI 资讯聚合网站，无需写代码，两小时搞定。该产品全栈开发功能强大，有 MCP 生态，多模态能力出色，对比 ChatGPT Agent 更具优势。