「多模态推理大模型」共找到 8451 篇相关文章
每一幕皆可控！字节发布多主体视频生成神器，人人皆主角
字节发布多主体视频生成神器MAGREF，基于一张参考图像，能生成主体高度一致的视频，多人同台也不串脸。它采用三阶段数据处理流程，构建在DiT架构上，实现复杂视频生成任务。
SkyReels-Audio让嘴型和音频完美匹配不再难
音频驱动的动态人脸生成研究较少，昆仑万维提出SkyReels - Audio框架，基于预训练视频扩散变换器构建，支持无限长度视频生成与编辑，采用混合课程学习等策略，保障视频视觉保真度和时间一致性。
让AI自动化控制电脑的一切操作automation-mcp
自动化 MCP 是模型上下文协议服务器，为AI提供完整 macOS 桌面自动化能力，如控制鼠标、输入指令等。文章介绍了安装、使用工具、架构、安全权限、集成示例等内容。
基于MCP协议的12306购票搜索服务器项目解析（附配置流程）！
文章介绍基于MCP协议的12306购票搜索服务器项目12306 - mcp，涵盖功能特点、技术架构、服务原理、数据流程、工具及安装配置，还给出GitHub地址，助开发者提升购票查询体验。
终于等到你！阿里上线全新免费AI IDE工具——通义灵码
今年AI行业卷AI Agent和AI Coding领域，都在推自家IDE。阿里有Qwen3加持，现发布全新免费AI IDE工具通义灵码。该工具具备内置Qwen3、MCP支持等特点，还有NES智能修改预测等功能。
Anthropic 官方：Genspark 是如何构建 Agents 的？
Genspark借助Claude打造自适应AI Agents，突破传统搜索工作流限制。其Super Agent以Claude为核心，实现动态协调，变革用户创造和研究方式，带来显著商业影响，揭示AI开发新原则。
OpenAI诈骗？GPT-4.1正式上线ChatGPT，网友实测却大呼失望
OpenAI官宣GPT - 4.1在ChatGPT中可用，Plus、Pro和Team用户可访问。它擅长编码和遵循指令，评估表现有优有劣。实测代码处理表现佳，但网友因无100万上下文窗口API版本而失望。
全网惊了！陶哲轩带AI下场，33分钟「盲证」数学
菲尔兹奖得主陶哲轩携手ChatGPT打造开源数学概念验证工具，数天迭代至2.0版，可全自动或半自动证明。还支持渐近估计，上手简单、可扩展性强。此外，他用AI 33分钟“盲做”一页数学证明，重塑研究范式。
智源研究院发布中英文高质量数据集CCI4.0，推动全球人工智能开源创新
2025年5月6日，智源研究院在全球开源创新论坛发布中英文高质量数据集CCI 4.0，同步在多平台开源。CCI 4.0规模大，处理严格，此前CCI系列反响好，未来将持续建设中文预训练语料库。
Opus 5.5干一半就开溜？官方揭秘：你的程序替它打了下班卡
Anthropic推出Claude Opus 5.5后，开发者普遍遇到AI Agent干一半就停工的问题，本文整理官方最新指南，揭秘原因，梳理API升级坑点，给出解决方案与实用调优建议。