「多模态智能」共找到 4211 篇相关文章
图像、视频一模搞定！字节全能原生多模态本地可部署
字节开源原生多模态模型Lance，仅3B激活参数，40G显存就能跑，已登顶huggingface趋势榜。它能进行图像与视频的理解、生成、编辑等操作，在多个基准测试中表现优异，多项性能居首。
刚刚，Meta 超级智能团队44名成员信息曝光，半数来自中国
风投公司投资人晒出匿名Meta员工盘点的超级智能团队44名成员信息，半数来自中国，成员学历、履历等情况明晰，但有人质疑名单真实性和全面性，团队阵容或更庞大。
复旦等推出「第一人称视听基准」，补齐多模态模型「听觉拼图」
多模态大模型在真实世界会“失聪”，现有第一人称视频问答/理解基准长期偏“视觉中心”。复旦等团队推出首个系统评测第一人称声音理解能力的基准EgoSound，能让模型听懂世界，评测显示当前模型与人类差距大。
GAIR Live 预告｜从 IROS 2025，看智能机器人前沿趋势
IROS 2025 近日在杭州闭幕，作为全球机器人领域盛会，展示具身智能新突破与方向。GAIR Live 将携手学者与产业领军者，通过线上直播解读其核心趋势，拆解研究范式转向，还设有多个热门话题探讨。
综述：LLM 驱动AI Agent通信协议与策略
文章指出传统互联网用户完成行程繁琐，而代理互联网可让代理自动完成。随着LLM驱动智能体应用深入，其发展专业化，需多智能体协同，有效通信成关键。介绍了智能体通信定义、分类及多种通信协议。
用多模态LLM超越YOLOv3！强化学习突破多模态感知极限｜开源
华中科技大学、北京邮电大学等多所高校研究团队共同推出纯多模态开源LLM——Perception-R1，该模型用强化学习优化视觉感知，目前论文和代码均已开源，其在视觉任务上表现出色，为后续研究提供强大baseline。
微软Build 2025大会Day 1：All in「智能体网络」，全面推动MCP
北京时间昨夜今晨，微软Build 2025开发者大会Day 1开场，CEO萨提亚·纳德拉透露“智能体网络”概念。大会展示微软在开发者工具、办公中枢、云平台等多方面进展，还宣布Microsoft Discovery平台加速科学突破。
大涨240%，Doc-Researcher确立多模态文档深度研究新范式
在ChatGPT引领的AI革命中，大语言模型面对专业复杂文档常“束手无策”。Doc-Researcher提出三位一体解决方案，构建M4DocBench评测，性能远超现有方案，还适用于多产业场景。
多模态大模型持续学习系列研究，综述+Benchmark+方法+Codebase一网打尽！
近年来，生成式AI和多模态大模型进展显著，但在动态环境下实现持续学习是挑战。中科院自动化所联合香港院AI中心系统性研究，提出综述、方法、Benchmark和Codebase，为相关人员提供全面支持。
屏下光谱颜色传感技术：开启环境智能感知的新纪元
智能机流行带来蓝光伤眼问题，手机屏幕技术变革，引入屏下光谱传感。艾迈斯欧司朗举办论坛分享成果，其开发的OLED屏下光谱颜色传感器，能精准重构XYZ响应，解决行业难题，获多方认可。