「多模态理解与生成」共找到 3413 篇相关文章
SceneWeaver：面向通用三维环境生成的反思型智能体框架
室内场景合成在具身智能兴起下愈发重要，现有方法存在局限。BIGAI提出SceneWeaver框架，通过基于工具的迭代优化统一多样场景合成范式，具有高保真模拟、强健物理交互等优势。
对话VAST曹炎培：2秒才是3D生成本该有的速度
本文对话VAST首席科学家曹炎培，介绍其最新Smart Mesh功能，仅靠提示词或参考图，2秒内极速生成3D模型。Tripo P1.0重构AI 3D底层范式，实现原生三维空间概率生成。VAST获5000万美元A轮融资，今年将推UGC 3D平台。
大涨240%，Doc-Researcher确立多模态文档深度研究新范式
在ChatGPT引领的AI革命中，大语言模型面对专业复杂文档常“束手无策”。Doc-Researcher提出三位一体解决方案，构建M4DocBench评测，性能远超现有方案，还适用于多产业场景。
Windows AI助手免费进化！能操作电脑、登录网页、生成代码
Windows Copilot正式更新，Microsoft 365 Copilot中Researcher智能体新增“计算机使用”能力，能操作电脑、登录网页、生成代码等。更新已在预览版上线，还介绍了其运行机制和性能测试情况。
构建分层的 Agentic RAG 系统：具备自主纠错的多模态推理
企业 AI 团队面临 RAG 系统在处理结构化与非结构化数据时的难题。本文探讨用分层多智能体编排解决“模态鸿沟”，介绍 Protocol - H 架构，阐述组件、机制、实现与集成，经基准测试验证其优势，还提及未来研究方向。
五源袁野：理解AI创业的五个视角 ｜5Y View
文章是五源合伙人袁野在五源2025创始人年会演讲，从五视角审视AI时代创业变化，如技术范式切换、供给边界演进等，为理解AI创业带来启发，强调创新要敢于走新路。
让龙虾看懂屏幕！谷歌多模态新成果，文本图像视频音频进同一空间
谷歌发布首个原生多模态嵌入模型Gemini Embedding 2，将文本、图像、视频、音频和文档映射进同一嵌入空间，支持多模态混合输入，为AI Agent“看懂”世界提供关键基础，已展开公测。
全面评估多模态模型视频OCR能力，Gemini 准确率仅73.7%
MME - VideoOCR团队评估多模态大模型（MLLM）视频OCR能力。构建精细任务体系和高质量数据集，评测18个主流MLLM。即便如Gemini - 2.5 Pro，准确率仅73.7%，暴露出MLLM在视频OCR领域能力局限。
Z-Image标准版开源：更具可塑性的图像生成全能基座
Z-Image标准版开源，它是为开发者准备的强大画板，解决了生成模型同质化问题。其保留完整权重，在微调、风格化上潜力大，采用创新架构，训练定位SFT阶段，有完整CFG支持，还提供完善工具链。
现在，你可以在手机上用AI生成一个APP了。
作者参加百度Create 2026 AI开发者大会，介绍百度秒哒。它是能帮开发产品的Agent，虽与顶级产品有差距，但全链路适配、对国内生态友好。大会上线APP版，能直接生成安装包，操作简单，解锁普通人创造力。