「多模态大模型」共找到 9506 篇相关文章
高精度全身操控！从文本输入生成全身操控物体的动作
物体操控的整体动作生成是具广泛应用但极具挑战的任务，核心挑战在于手部与身体协调及关节式物体操控精度。香港大学提出协同扩散噪声优化框架CoDA，优化三个专用扩散模型，还采用BPS统一表示提高交互精度。
强化学习的进化：从PPO到MaxRL，LLM推理训练的算法演进史
本文概述2024 - 2026年推理LLM的强化学习进展，从REINFORCE和PPO讲起，介绍GRPO、RLOO等多种算法。指出critic模型非必需，标准差归一化有副作用，损失聚合很关键，信任域是优化切入点，还提出几个未解决的挑战。
AI 时代的架构治理
本文指出在生成式AI时代，软件开发生命周期瓶颈转变为组织将创意转化为成果并保持架构凝聚力的能力。传统人工监督模式难应对，提出声明式架构策略，介绍其在事件模型、OpenAPI验证器等方面应用。
对话心光：在技术与需求的十字路口，我们选择用AI温暖人心
本文是对心光创始人王禹效和徐璐的访谈。心光是笔记类AI陪伴产品，主界面简洁，功能丰富。团队回顾其发展历程，探讨技术与需求关系、模型选择、用户画像等，还谈及盈利模式、创业时机及未来计划。
原来Grok是36个小时极限卷出来的！xAI创始成员离职后放开说了
xAI前创始成员托比哥爆料，马斯克要求团队36小时内发布Grok。当时团队仅10人，面对半成品，高强度连轴转完成开发，使其走红。还提到马斯克硬核工作文化，虽压力大但成果显著。
刚刚，百度最新开源神作：PaddleOCR-VL-1.5上线了
1月29日百度开源新一代文档解析模型PaddleOCR-VL-1.5，参数仅0.9B，在OmniDocBench V1.5评测中综合性能全球第一，精度达94.5%。它支持异形框定位，解决真实文档解析难题，在多场景表现出色。
cursor翻车了，Anthropic：来，我教你怎么做long running Agent。
近期，Cursor宣称用大量智能体实现长程任务引发关注，但被指是营销惨案，代码存在诸多问题。Anthropic则分享务实的long - running思路，是记忆接力模式，代码可维护。未来模型能力提升或让代码成黑箱。
Gemini 3，是谢尔盖・布林「骂」出来的？
ChatGPT 问世后谷歌反应迟缓，创始人谢尔盖・布林回归，亲自写代码，推动 Google Brain 与 DeepMind 合并。他还因 Gemini 被禁止写代码在公司大吵。谷歌推出 Gemini 3 等，坐稳 AI 领域王座，给 OpenAI 带来压力。
分析了1.8亿个岗位后，我发现应届生们好像被AI堵在了门外。
文章分析1.8亿个岗位发现，AI使应届生就业难，创意和执行类岗位受冲击大，管理层岗位相对稳定。如应届生毕业即失业，执行岗减少使学徒制传承受阻，长远看不利于文明进步。
AI读网页，这次真不一样了，谷歌Gemini解锁「详解网页」新技能
谷歌在Gemini API上线URL Context功能，能让Gemini模型访问并处理URL内容。与普通扔链接给AI不同，它可深度完整解析文档。有深度解析PDF等能力，被指或成RAG替代方案，也有能力边界。