「视觉语言融合」共找到 2036 篇相关文章
AI「解码」古罗马，重现千年铭文真相！DeepMind新模型再登Nature
借助DeepMind推出的生成式AI工具Aeneas，考古学家面对古代碑文不再抓瞎。它是多模态生成式神经网络，能助历史学家解读、归属和修复残缺文本，还可适应其他古代语言、文字和媒介。
首创郎园聚焦AI视听｜北京AIGC视听产业创新中心启动！
8月19日，北京AIGC视听产业创新中心启用。朝阳区发布“政策服务包”，首创郎园公布“六大服务平台”，联合推出数据交易平台。此外，还发布人才计划、揭牌产教融合实验室，启动测评季活动。
开源多模态大模型EarthMind，观测地球统一框架
地球观测数据复杂，现有多模态模型难适用。意大利、德国多所高校研究人员联合开源多模态大模型EarthMind，引入空间注意力提示模块，实现跨模态融合和多粒度理解，解决地球观测难题。
解决VLA模型落地难，普通硬件也能跑！全透明全开源的高效VLA模型把推理成本砍掉76%
2026年4月，中山大学与MBZUAI联合推出A₁模型，它是完全开源透明、自适应高效的截断式视觉 - 语言 - 动作模型，能削减推理成本、实现低成本落地，在仿真与真机上表现优异。
开源音视频同步SOTA基座：极简的单流架构，2秒出片
AI视频生成迈入音视频同步新纪元，闭源巨头已展实力，而上海创智学院与Sand.ai联合发布的开源音视频生成基础模型daVinci - MagiHuman，以极简单流架构，2秒就能在1张H100显卡上生成精准音视频同步画面。
第二代AI预训练范式：预测下个物理状态
英伟达科学家Jim Fan发布文章《第二代预训练范式》指出，当前以LLM为代表的AI模型基于「对下一词的预测」，在物理世界应用中「水土不服」，第二代范式应是「预测下一个物理状态」，引发机器学习社区讨论。
突破具身智能“专家困境”！北大新方法让宇树G1靠单一框架掌握跳舞和侧手翻
北京大学与BeingBeyond团队联合研发的BumbleBee系统，用创新的‘分治 - 精炼 - 融合’三级架构，实现人形机器人在多样化动作中的稳定控制，破解传统控制策略的‘专家困境’与‘现实鸿沟’。
具身智能体主动迎战对抗攻击，清华团队提出主动防御框架
面对对抗攻击，现有防御方法多为‘被动防守’，遇上未知或自适应攻击时效果衰减。清华朱军团队在TPMAI 2025中提出主动防御框架REIN-EAD，通过与环境交互实现‘感知—决策—行动’一体化，实验效果佳。
GPT-5.4意外泄露！OpenAI最新模型瞄准这2大能力突围
GPT - 5.4疑似泄露，此前在OpenAI编码助手、GitHub代码拉取请求等多处有踪迹。传闻其将搭载200万Tokens上下文窗口，具备像素级精准视觉分析能力，不过也可能是炒作，网友关注其准确率。
V4或Code要来？刚刚，DeepSeek-V3.1-Terminus发布！
DeepSeek线上模型升级为DeepSeek-V3.1-Terminus，单从名字看像是V3终极版，或在筹备V4及Code模型。deepseek - chat和deepseek - reasoner完成升级，此次更新改进语言一致性，优化Agent能力。