「视觉-语言-行动模型」共找到 1727 篇相关文章
更长的推理链反而导致更多幻觉，MLLMs 幻觉解法仅「抄作业」还不够？摘要
近日，斯坦福等校学者发现，更长推理链会让 MLLMs 产生更强幻觉。MLLMs 幻觉不仅涉及语言偏差，还有跨模态语义失配。主流多模态架构在结构设计和训练机制上的潜在失衡，是幻觉频发的主因。
新“SOTA”推理模型避战Qwen和R1？欧版OpenAI被喷麻了
“欧洲的OpenAI”Mistral AI发布首款推理模型Magistral，却再遭质疑未与最新版Qwen和DeepSeek R1对比。该模型亮点是支持多语言推理，以纯RL方式训练，为LLM强化学习提供新范式。
一文解读 LLM Posting-Train技术
文章解读了大语言模型后训练（Post-training）技术，介绍其核心价值，从微调、强化学习、测试时拓展三方面展开，分析现有技术瓶颈，指出前沿研究方向，还给出实践指南和工具链推荐。
Karpathy强推，大厂抢着「复古」命令行，Star数全都上千了
飞书、钉钉、企业微信接连推出 CLI，GitHub Star 数上千。CLI 是传统人机交互方式，契合大语言模型运作逻辑，国内外多家公司及项目推出相关工具，还给出为智能体构建 CLI 的设计模式。
特朗普急了，发动新「曼哈顿计划」：举国发力AGI！
特朗普政府祭出「创世纪行动」，将AI竞赛拔高至「曼哈顿计划」量级。从向沙特解禁芯片出口换取资金，到促成OpenAI与富士康联手重塑本土制造，一个庞大的「AI军工复合体」正在加速成型。
机器狗能当羽毛球搭子了！仅靠强化学习从0自学，还涌现出类人回位行为 | Science子刊
苏黎世联邦理工学院团队让机器狗靠强化学习学会打羽毛球，开发全身视觉运动控制策略，使其最高挥拍速达12米/秒，还涌现类人回位行为，研究证明足式机器人在体育场景应用可行。
DeepSeek-R1发布100天后：全面复盘推理大模型复现研究及未来！
推理语言模型（RLMs）发展显著，DeepSeek - R1发布引发广泛影响且未完全开源。MiroMind等总结其复现研究，关注SFT和RLVR方向，介绍数据构建、方法设计、训练过程细节及实验关键发现。
图像编辑太慢太粗糙？全新开源自回归模型实现精准秒级修改 | 智象未来
AI图像编辑中扩散模型有两大难题，智象未来团队提出全新自回归图像编辑框架VAREdit，引入视觉自回归架构，提升编辑精准度与速度。模型和代码已开源，还提出SAR模块优化，在基准测试表现出色。
首个为手机而生的通用 Agent？！苹果做不到的事，“野路子”智谱抢先实现了
苹果预计 2026 年升级 Siri 实现自主行动，但完整落地的执行型 Agent 未推出。8 月 20 日智谱发布 AutoGLM 2.0，称是全球首个可在手机用的 Agent，开创‘Agent + 云手机 / 云电脑’范式，能代理操作高频应用。
刚刚，智谱开源了他们的最强多模态模型，GLM-4.5v。
智谱接连开源GLM - 4.5和GLM - 4.5V，后者为多模态模型，总参数106B，在42个评测基准中41个达到SOTA。经测试，它视觉推理强、速度快，还有视频理解等功能，API定价良心，体现持续开放精神。