「多模态生成与理解统一」共找到 3413 篇相关文章
谷歌“世界模拟器”深夜上线！一句话生成3D世界，支持分钟级超长记忆
谷歌DeepMind发布新一代通用世界模型Genie 3，只需一句话就能生成可实时交互的3D世界。性能大幅升级，支持720P画质等，还能推动具身智能体研究，谷歌期待其助力迈向AGI。
Medeo 教程：一次生成无脑抽卡不可取，真正的视频 Agent 应该啥样
本文介绍AI视频生成Agent Medeo 1.0版本，它支持短或超长提示词，泛化性好，多种垂类视频都能做。文中介绍其基础操作、展示案例和提示词，还剖析了能兼顾质量与灵活度的原因，目前产品在内测将全量上线。
“扁平+拓扑”双索引，85页PDF"秒级"推理，MMRag幻觉率骤降76%
多模态长文档视觉问答常见于科研论文等场景，现有技术路线有大视觉 - 语言模型直接端到端和检索增强生成，但各有缺点。MMRAG - DocQA引入新方案，解决多模态连接和跨页证据链接问题。
AAAI 2026 | 北航、东京大学填补AI「语义鸿沟」，过程感知视频理解如何找到「状态」锚点？
北航陆峰教授团队联合东京大学，提出视频理解新框架 TSS，引入“状态”作视觉锚点，解决抽象文本指令与具象视频对齐难题，已被 AAAI 2026 接收，代码已开源。
IBM推出轻量多模态文档神器！OCR与QA超GPT-4o，识别率高达98%！
日常文档处理麻烦，现有工具或体积大、算力消耗高，或识别精度不够。IBM 开源轻量多模态文档处理模型 Granite - Docling，仅258M参数，性能超 GPT - 4o，适用于多场景。
首帧的真正秘密被揭开了：视频生成模型竟然把它当成「记忆体」
UMD、USC、MIT研究团队发现视频生成模型会把首帧当作‘概念记忆体’，将视觉实体存于首帧并在后续复用。基于此提出轻量方法FFGo，用少量例子让模型实现SOTA级视频定制。
北大王选所彭宇新团队：让多模态大模型学会「看懂物种关系」丨CVPR 2026
北大王选所彭宇新团队在论文中提出TARA方法，引入生物分类学知识与多模态模型中间表征对齐。实验显示，TARA能提升模型层级识别和未知类别识别能力，还可加速训练收敛，计算开销小。
企业级OpenClaw最强拍档来了！万亿参数的国产多模态大模型，刚刚开源发布
YuanLab.ai团队开源源Yuan3.0 Ultra多模态基础大模型，是万亿级开源多模态大模型之一。它优化训练效率，在多任务表现突出，为企业Agent AI提供支撑，还提出新算法和训练策略，全面开源推动落地。
从 LLM 到 World Model：为什么我们需要能理解并操作世界的空间智能？
文章指出 LLM 仅靠语言不足以支撑真正智能，构建空间智能与世界模型成关键方向。2024 年李飞飞等创立 World Labs，11 月推出 3D 世界生成模型 Marble，本文探讨空间智能重要性及世界模型如何成转变基础设施。
讲习班日程公布｜第四届全国大模型智能生成大会（LMG 2025）
第四届全国大模型智能生成大会（LMG 2025）11月1 - 3日在成都召开，预计超千人参会。11月3日的讲习班邀请四位青年专家，围绕AI基础设施、扩散语言模型等前沿议题，分享技术进展与实战经验。