「视觉大模型」共找到 9269 篇相关文章
中科院甩出多模态“核弹”！类GPT-4o多模态模型开源！支持语言-视觉-语音任意组合交互！
中国科学院计算技术研究所（ICTNLP）开源类GPT - 4o多模态模型Stream - Omni，支持文本、视觉和语音任意组合交互，核心是高效模态对齐技术，少量多模态数据即可训练，有多种使用场景。
懂方言，通诗词，精通30国语言，阿里发布语音识别大模型Fun-ASR1.5
阿里发布语音识别大模型Fun - ASR1.5，可精准识别30种语言，覆盖中文七大方言体系及二十余种地方口音，强化古诗词诵读专项识别，后处理环节优化标点预测和文本归一化，降低人工成本。
ACL 2026 Main | 不只是调用地图API，Spatial-Agent让大模型生成可执行地理分析工作流
大语言模型在空间领域应用广泛，复杂地理分析问题需组织自然语言成可执行流程。Spatial - Agent 加入 GeoFlow Graph 中间层，借用 GIScience 理论，实验显示能提升准确率，不过仍受数据质量等限制。
让视觉语言模型像o3一样动手搜索、写代码！Visual ARFT实现多模态智能体能力
上海交大等团队推出多模态智能体训练方法 Visual-ARFT，让视觉语言模型有「工具智能体」能力，还开源项目。它能自动调用工具、拆解任务，团队构建 MAT-Bench 评测，其在多任务超 GPT-4o。
大模型是「躲在洞穴里」观察世界？ 强化学习大佬「吹哨」提醒LLM致命缺点
加州大学伯克利分校副教授、强化学习大牛Sergey Levine在博客指出，当前大语言模型（LLM）只是对人类大脑和思维的间接「扫描」，如同被困洞穴看人类智慧「投影」，无法代替真正思维。
下一代目标检测模型：3B参数MLLM Rex-Omni首度超越Grounding DINO，统一10+视觉任务
IDEA研究院团队用3B参数的Rex - Omni打破MLLM目标定位精度僵局。它统一视觉任务，结合坐标编码与强化学习，在多项检测基准超Grounding DINO等，解决定位和行为缺陷，为MLLM成下一代检测模型提供方案。
全新OCR将图片变代码无损重绘！华中科大&小红书发布3B模型，图形重建超越Gemini 3 Pro
华中科技大学与小红书联合推出MOCR，提出「解析一切」新范式，将文档图形升级为「一等解析目标」。它解决传统OCR短板，在文档解析和图形重建表现出色，还革新评估方法，代码和模型已开源。
比英伟达早，比李飞飞强，大晓Kairos原生一体化世界模型定义物理AI新路线
大晓机器人发布 Kairos 开悟世界模型，其首创“多模态理解 — 生成 — 预测”原生一体化架构，采用跨具身渐进式训练体系和“以人为中心”的数据金字塔，还实现端侧部署，在四大权威具身智能基准上全面登顶。
医疗幻觉率比DeepSeek低3倍，百川循证增强大模型横扫全球医学考试！
百川智能发布首个循证增强医疗大模型Baichuan - M2 Plus，将循证医学理念融入训练和推理，首创六源循证范式。其在多场景评测中幻觉率低，多国医考成绩优异，已上线百小应APP并开放API。
IEEE TVCG | 告别写代码！MoGraphGPT：基于模块化大模型与图形控制的2D交互场景创作
香港多所高校研究团队提出 MoGraphGPT 系统，结合上下文感知模块化大模型与图形化控制，能让用户零代码搭建 2D 交互场景。该成果被 IEEE TVCG 录用，还对比实验验证其优势。