搜索：多轮视觉问答

「多轮视觉问答」共找到 794 篇相关文章

大模型外挂“三维物体知识库”来了，大幅增强机器人长程自主操作能力

现有视觉语言大模型（VLM）能让机器人理解指令，但在操作中缺三维空间知识。近日研究提出 RAM 框架，它像“三维物体知识库”，为 VLM 补充空间知识，经 14 项实验验证其操作能力，还探索了在铰接与柔性物体操作中的应用。

清华大学团队受密室逃脱游戏启发，提出EscapeCraft：一个3D密室逃脱环境，用于评估多模态大模型在视觉环境中完成复杂任务推理的能力。该论文已入选ICCV 2025。研究评测了多个热门模型，发现它们在推理和探索行为方面存在诸多问题。

阿里云栖大会发布众多模型，有Qwen3 - Max、Wan2.5等。Qwen3 - Max对标顶尖模型；Wan2.5支持音画同出；Qwen3 - VL是强大视觉语言模型且已开源；Qwen3 - Omni是全模态模型。此外还有多个新模型，构建全场景生态。

文章指出在大模型时代，智能体能否理解上下文是关键。介绍了上下文工程的魔力、从提示词到上下文工程的演进，分析了上下文工程不等同于上下文的原因及常见失败类型，还给出编排设计和常见策略，最后提及用RAGFlow构建私有知识问答应用。