「多模态开发」共找到 2438 篇相关文章
谷歌Dreamer大神离职！「辛顿门徒」自曝错过Transformer
谷歌世界模型大牛Danijar Hafner宣布离任，他自2016年起在谷歌相关团队工作近十年，曾获辛顿指导，主导开发Dreamer系列。他还自曝曾错过Transformer，当时未在意其优势。
开源AI浏览器自动化框架！14.3K+ Star，自然语言+代码，爬虫效率翻倍！
传统浏览器自动化工具维护成本高，全AI代理缺乏可控性。Stagehand是Browserbase开发的开源AI浏览器自动化框架，结合自然语言和代码控制，有多种核心功能，获14.3K+ GitHub Star。
谷歌放大招了，开源命令行AI编程Agent，每天1000次免费调用，编程只是基础功能。
Google推出开源命令行AI编程Agent——Gemini CLI，基于Gemini 2.5 Pro模型，免费提供每日1000次调用额度。它不仅能编程，还具备多模态能力、实时信息整合等功能，支持定制与自动化。
太疯狂了！Meta裁员裁到田渊栋头上，连组员一锅端
Meta AI大裁员裁到田渊栋头上，还整组裁。田渊栋在Meta工作超十年，是FAIR研究科学家总监，开发过“Dark Forest”等。他成果多，OpenAI等已在抢人，此次裁员或不简单。
8.9K Star！号称 Notebook LM 开源平替，支持 16+AI 模型，一键部署！
Google Notebook LM 虽方便，但有数据泄露风险且被平台绑定。开源工具 `open-notebook` 是其平替，支持 16 + 家 AI 模型提供商，可处理多模态内容，能本地部署保障数据安全，还具备多种实用功能。
GAIR Paper 106｜追踪视觉 Token 的演化轨迹，实现无损压缩与 60% 推理加速｜CVPR 2026
近年来大视觉语言模型虽推动多模态智能发展，但推理成本高昂。山东大学和MBZUAI团队提出TransPrune，从演化视角衡量视觉Token重要性，保持性能无损同时降低60%推理成本。
To Agent, not Human
软件开发正从面向人类转向面向Agent。作者将newtype内容生产系统CLI化，供Agent使用。当前各种工具CLI化，Skill生态爆发，技术栈含CLI、MCP、Skills、Framework四层。
YC总结的vibecoding核心指南「如何充分利用Vibecoding 」
顶尖孵化器 Y Combinator 总结了 vibecoding 核心指南，涵盖规划流程、版本控制、测试框架等多方面内容，为开发者提供了利用 AI 进行开发的实用策略和方法。
直播实时离线翻译
传统离线翻译模型有延迟问题，GitHub上NoLanguageLeftWaiting开源项目把Meta的NLLB模型改造成实时同传模型，能边听边译，支持200种语言互译，还在开发推测解码功能提升速度。
狂揽81.8K star！Google Firebase 免费开源替代，真香啊~
在开发中后端搭建常令人困扰，Supabase作为开源的Firebase替代品出现。它基于一系列开源工具构建，提供完整且易用的后端解决方案，涵盖数据库管理等多项功能，有多种性能特色，还介绍了使用方法和体验，值得开发者尝试。