「双向多模态表征模型」共找到 1020 篇相关文章
大模型学会拖进度条看视频了！阿里新研究让视频推理告别脑补，实现证据链思考 | ICLR 2026
阿里巴巴未来生活实验室团队解决多模态大模型视频推理难题，推出ReWatch数据集和ReWatch - R1模型。数据集克服现有训练数据痛点，模型用SFT + RL范式及创新奖励机制，实验成绩SOTA。
AAAI 2026 Oral | SplatSSC：解耦深度引导的高斯泼溅，开启单目语义场景补全高效新范式
单目3D语义场景补全领域长期受困于密集网格表征，现有‘对象中心’范式也有瓶颈。SplatSSC框架通过深度引导策略与解耦聚合机制，实现性能与效率提升，在实验中表现优异。
不到百万级，看不见 MCP 的真实问题：创始人亲述这疯狂的一年
本文是对 MCP 联合创作者 David Soria Parrra 的访谈，回顾 MCP 从发布到成为行业事实标准的历程，探讨其演进、应用、竞争对手等问题，还分享经验教训，展望未来发展方向。
通用级PixVerse P1的技术突破，揣着进入平行世界的密码
PixVerse R1 突然上线，带来「即时响应、即看即创」新体验。它是全球首个支持最高 1080P 分辨率通用实时世界模型，实现从「静态输出」到「实时交互」跨越，本文将解析其技术突破。
从算法天才到机器人造梦者，原力灵机范浩强详解具身智能进化论：模型解锁场景，场景定义硬件
AI 前线深度访谈原力灵机范浩强，探讨其创业选择、具身智能技术演进与产业趋势。他认为机器人是 AI 绕不过的点，2025 年硬件与算法拼图开始对齐，原力灵机强调算法先行，还分享了保证算法演进的路线。
从大厂设计师到超级一人公司：6000字回顾我和AI的2025
作者回顾2025年，身份从大厂设计师变为自由职业者，用AI加持做超级一人公司。自媒体上各平台粉丝量增长，开始做视频；社群活动帮创业者和会员；创作涵盖Vibe Coding、Agent、图像视频等；还介绍合作产品，展望2026年AI趋势。
分割一切、3D重建一切还不够，Meta开源SAM Audio分割一切声音
Meta 深夜放出音频分割模型 SAM Audio，可通过多模态提示分离任意声音。其核心 PE - AV 推动性能领先，还发布评测模型、基准等，整合进新平台，虽有局限但为音频 AI 带来新可能。
何恺明组三位本科生领衔！持续聚焦Flow模型，突破归一化流生成效率瓶颈
何恺明团队新作聚焦Flow模型，提出双向归一化流（BiFlow）框架，解耦前向与逆向过程，打破传统归一化流生成模型效率低下问题。三位一作是本科生，实验显示其速度和质量表现出色。
从VLA到RoboOmni，全模态具身新范式让机器人察言观色、听懂话外音
复旦大学等联合推出全模态端到端操作大模型RoboOmni，统一多模态，实现动作与语音协同控制。它重新定义机器人交互范式，让机器人具备“察言观色”能力，还构建了OmniAction数据集，实验表现全面领先。
内存直降50%，token需求少56%！用视觉方式处理长文本
在NeurIPS 2025论文中，南京理工大学等校研究团队提出VIST框架，为大语言模型长文本高效推理提供视觉解决方案。它模仿人类阅读机制，让模型具备选择性阅读能力，减少Token需求和内存使用。