「多模态扩散Transformer」共找到 1350 篇相关文章
PixelRefer ：让AI从“看大图”走向“看懂每个对象”
多模态大模型多停留在整体场景级理解，现实任务需细粒度、对象级理解。浙江大学等联合提出PixelRefer框架，可实现精细视觉指代与推理，在多项任务表现领先，轻量版性能优，还开源两类数据集。
AI时代，努力没用了!「躺平」才是最赚钱的方式
新智元报道，硅谷投资人Reid Hoffman认为AI扩散靠懒人推动，遵循「懒惰经济学」。他指出AI不会取代医生等职业，但会让他们被重新教育，还探讨了AI自主性、LinkedIn持久力及人与AI关系等问题。
ClockBench：一个简单的钟表测试让AI全线溃败
ClockBench测试让11个多模态大模型与5个普通人认钟表时间，人类平均准确率89.1%，最好的AI仅13.3%。AI在复杂钟面表现差，却能处理抽象指令。该测试暴露视觉AI空间推理缺陷，对评估有启发。
百度Qianfan-VL开源，纯国产自研昆仑芯跑出世界一流
百度开源全新视觉理解模型Qianfan-VL，有3B、8B和70B三个版本，在昆仑芯P800芯片上训练。该模型多模态能力强，OCR和教育场景表现突出，跑分超国际主流模型。芯片功耗低、架构优，模型训练方法创新。
马斯克AI女友直播「一秒变身」，Karpathy看完立刻投钱
世界首个支持直播推流的「实时」扩散AI视频模型MirageLSD诞生，大神Karpathy亲自站台。它能理解真实视频后同步生成AI视频，实现零延迟、无限时长、每秒24帧不卡顿，给视频娱乐和直播互动带来丰富想象。
昆仑万维多模态视频生成开源，影音图文全统一
昆仑万维开源的SkyReels-V3，通过统一多模态上下文学习框架，实现参考图像生成视频、视频持续扩展及音频驱动虚拟数字人功能，在视觉质量与指令跟随性上逼近闭源顶尖水平，为开源社区提供强大研究基座。
AI 真能看懂物理世界吗？FysicsWorld：填补全模态交互与物理感知评测的空白
多模态大语言模型正经历范式转变，目标是实现全模态协同交互。但现有评测体系难跟上模型发展。飞捷科思和复旦团队推出 FysicsWorld 基准，可评测模型多能力，还提出 CMCS 策略，为全模态智能发展提供指引。
Karpathy泼冷水：AGI要等10年！根本没有「智能体元年」
在《Dwarkesh Podcast》访谈中，AI大佬Andrej Karpathy谈AI核心问题。他认为「智能体元年」说法过度，真正能用要十年；AGI也需十年，未来十年AI架构或基于Transformer；还分析了大模型、强化学习等现状与问题。
X-Actor 惊艳登场！长时唇动+情感同步人像动画生成
字节提出 X - Actor，一个音频驱动自回归扩散框架，能通过一张静态参考图像和一段音频生成逼真、富有情感表达的人像动画视频。其核心是两阶段解耦生成流程，实现长时间唇形同步与情感音频一致性。
深度讨论 Gemini 3 ：Google 王者回归，LLM 新一轮排位赛猜想｜Best Ideas
近期，OpenAI、Google、Anthropic 先后发布新模型，引发大模型竞赛。本文聚焦 Google 发布的 Gemini 3，从算力、数据、架构等维度剖析其强大原因，探讨大模型竞争新格局，还涉及多模态、硬件、商业化及产品形态等方面。