「多模态DiT架构」共找到 2586 篇相关文章
ICME专题征稿 | 具身多模态智能：从感知到世界建模
ICME是多媒体领域国际顶级会议，2026年将在泰国曼谷举行。此次专题征稿聚焦具身多模态智能，涵盖多模态感知、世界模型等主题，介绍了投稿详情及联系方式。
黄仁勋迟到了15分钟，然后甩出一个数字：1万亿美元。
GTC 2026上，黄仁勋获“Token之王”称号。他预计英伟达到2027年营收至少1万亿美元，还展示商业定价模型，推出Vera Rubin系统，整合Groq芯片，开源OpenClaw，预告Feynman架构，开发太空数据中心。
OpenMAIC：一键生成互动课堂，视频+PPT全都有，还可以编辑
清华开源项目OpenMAIC是多智能体互动课堂，上传文档或描述主题，几分钟就能生成虚拟课堂，AI教授讲课、同学讨论，还有白板功能。底层用LangGraph编排，支持主流模型，有OpenClaw集成，架构完整。
一篇95页最新80种Deep Research系统全面综述
浙大研究深度研究系统领域，分析自2023年以来80多个相关实现，提出4维度分层分类法，全面分析4种实现架构，还阐述各维度演变进步。
Transformer论文作者之一Noam Shazeer宣布离开Google，加入OpenAI
6月18日，Google DeepMind工程副总裁、Gemini模型联合负责人Noam Shazeer宣布离开Google加入OpenAI。他是Transformer架构提出者之一，技术实力强。Google曾花27亿美元请他回归，仍没留住。
SRO赋能Qwen-2.5-VL推理性能飙升16.8%
文本领域推理模型成就大，但多模态大型语言模型推理能力扩展遇阻，如冷启动初始化不足等。提出SRO三阶段训练框架，经测试，ReVisual - R1平均性能提升16.8%。
34k star！开源多层级自主协作AI Agent，超10万开发者认证
CrewAI是超34000颗星的开源AI Agent框架，曾获Github每日增长趋势第一。基于Python，核心架构由CrewAI Crews和CrewAI Flows组成，设计灵感源于人类协作，已有超10万开发者认证。
商汤新模型 SenseNova-U1 Pro 曝光，对标 GPT-Image-2，瞄准「设计」赛道
商汤科技在股东大会预告下一代旗舰多模态基座模型 SenseNova-U1 Pro，预计 2026 年 7 月邀测，对标 GPT-Image-2，瞄准「设计」赛道，具备多核心能力，还支持 8K 分辨率输出。
Deepseek V4 Pro深夜上线，性能追平Fable 5，但价格只有它的2％
2026年8月12日，DeepSeek V4 Pro正式版上线。它是混合专家模型，规模居世界第一梯队。价格比Claude Fable 5便宜超98%，成本优势明显。其架构节省成本，API开放多模式，产品结构清晰。
AI大牛刘威创立的Video Rebirth，刚刚又完成8000万美元融资
AI视频生成企业Video Rebirth完成8000万美元融资，由AMD Ventures、现代汽车等跨界投资。其由刘威创立，首创Dual Diffusion Transformer架构，新资金用于Bach模型商业化与全球扩张。