「多模态处理能力」共找到 4420 篇相关文章
GPT-4o连验证码都解不了？？SOTA模型成功率仅40%
MetaAgentX团队推出Open CaptchaWorld平台，用于测试Agent解验证码能力。实测SOTA多模态模型成功率低，如GPT - 4o也被难住。该平台特点多样，揭示了当前Agent短板及模型设计新方向。
1美金时薪雇个全栈替身，MiniMax M2.5让打工人也能体验当老板的感觉
春节档模型大战，MiniMax官宣新模型M2.5，主打智能体和Vibe Coding，性能比肩Claude Opus 4.6。它全栈能力强，能处理长链路任务，推理吞吐量高、成本低，已接管MiniMax 30%真实业务。
我的AI OS搭建思路
作者黄益贺分享AI OS搭建思路。其系统以Claude Code为框架、Kimi K2 Thinking为模型，通过Skill和自定义命令满足工作需求，设计三层文件夹体系处理信息，供大家参考搭建。
OpenAI发布GPT‑6 Astra：百万级上下文，主攻编程和复杂办公
9月3日，OpenAI发布GPT - 6 Astra，重点提升电脑操作、软件开发和复杂工作处理能力。它有诸多更新，如电脑操作提速、支持异步工具调用等，但也存在监测难、价格高的问题，实际效果待验证。
一个跑智能体，一个专门找漏洞：Google发布Gemini 3.8双版本
9月2日，Google发布Gemini 3.8 Flash和Gemini 3.8 Flash Cyber。前者用于编程等，已稳定上线；后者专用于发现修复漏洞，仅向特定方开放。二者共享基础能力，采用不同安全限制和部署环境。
Meta详细阐述基于LLM级训练、混合并行计算与知识迁移的GEM广告模型
Meta发布生成式广告模型GEM详细信息，旨在改善平台广告推荐能力。它处理海量用户 - 广告交互数据，用三种方法构建系统，还实施GPU级优化，采用两种知识迁移策略，获业内人士认可。
Huashu-Excel正式发布！可能、也许、大概是最好用的Excel数据处理和分析skill
花叔开源Huashu - Excel，它能处理Excel或CSV，按八步流程工作，有体检、对账、质控特色。经十份真实数据压测效果好，其设计激发大模型能力、避开缺陷，几乎所有agent都能用。
视频版Nano Banana来了！内置Gemini世界知识；原版香蕉出图仅需4秒
谷歌开放Gemini Omni Flash API，将多模态推理与视频生成编辑结合，有4项关键能力，也有局限。Nano Banana 2 Lite出图快且便宜。二者串联使用，图像生成与视频创作可无缝衔接。
华为 IJCAI 2026 论文盘点：从「规模密度」转向「设计密度」
IJCAI 2026将召开，AI算力成本高，参数扩张边际收益低，技术创新逻辑转向‘用得更省’。华为四篇被收录论文，用精巧架构和训练策略，在四方向展现系统化工程能力，提供技术转型路径。
Gemini 3「开眼」像素级操控！谷歌回应DeepSeek-OCR2
Google DeepMind为Gemini 3 Flash推出Agentic Vision，让模型主动编代码操控图像，性能提升5% - 10%。该能力已上线，谷歌还计划扩展功能。这或许是受DeepSeek-OCR2刺激，两者技术路线不同。