搜索：多模态大模型智能体

「多模态大模型智能体」共找到 9766 篇相关文章

6秒造一个「视频博主」，Pika让一切图片开口说话

8月11日，Pika推出“音频驱动表演模型”，允许用户上传音频结合静态图片生成高度同步视频，角色口型、表情、动作自然，平均6秒出720p高清视频，目前仅限iOS端且需邀请码。

很多开发者吐槽并弃用 Cursor，因其付费后砍功能、技术变差、营销像‘障眼法’，引发信任危机。部分用户转向 Claude Code，不过企业侧使用情况有差异。AI 编程工具竞争激烈，需多维度构建优势，市场未来趋势明显。

WAIC上，金山办公发布WPS AI 3.0及原生Office办公智能体WPS灵犀。WPS知识库解决文档管理难题，WPS灵犀功能全面，能深入办公场景，还推动AI办公向Agentic Software演进。

网友爆料何恺明加入谷歌，经确认他以兼职形式成为谷歌DeepMind杰出科学家。可根据其近期研究推测研究方向，他还探讨生成模型能否走向端到端。何恺明履历辉煌，成果众多。

南洋理工陶大程教授团队等合作，为解决多模态大语言模型处理高分辨率图像问题，探索 RAG 应用可行性，提出 Retrieval-Augmented Perception (RAP) 框架，在多任务上提升性能，已被 ICML 2025 接收。

在复杂视觉场景中，传统RGB - IR多模态检测方法在低照度等场景下因RGB退化影响检测效果。北航等团队提出的InfraNet，以红外为主，用质量感知机制控制RGB引导，在多数据集取得强竞争力结果。

量子位智库发布2026年中国AI应用全景图谱报告，记录变革时刻横截面。国内AI应用活跃，不同赛道表现有差异。报告还指出Agent化、模型普惠化等五大趋势重塑行业，揭示产业向产品及商业化转变趋势。

香港中文大学联合阿里通义事业群提出TCOD训练方法，解决多轮Agent蒸馏稳定性难题。它只需对现有OPD代码做极少改动，提升了模型成功率，压缩行动步数，还减少训练时间，未来或成训练长程Agent标配。

本文报道Claude Opus 5.5突袭上线后，网友大量实测，用它纯代码生成视频、3D建模、UI、可交互游戏等内容，该模型性能提升价格下降，表现优于GPT等竞品，引发科技圈刷屏热议。

前OpenAI研究成员等打造出130亿参数的时代语言模型talkie，只用1930年前英文词元训练。它不知二战等现代信息，能从例子学Python，风格似20世纪绅士，研究团队将扩大其规模。