「多模态推荐」共找到 1273 篇相关文章
你以为百度慢了，其实它在走一条最难的路
2025 WAIC 上，百度展示多项成果。萝卜快跑获上海牌照、入选‘国家展’，商业化加速；慧播星推 NOVA 数字人技术；飞桨平台等也入选‘国家展’。百度构建全栈架构，把 AI 从炫酷变好用。
开源两周狂涨4.3K star!!这个能"隐身"的开源AI桌面助手，真的很6了~
介绍开源项目Glass，它是AI桌面助手，“隐身”不占空间，能将操作和对话变知识。支持macOS，Windows在测试。有实时会议记录等功能，安装简单，开源两周获4.3K star。
Cursor 免费平替：Gemini Code Assist (附开启隐藏 Agent 模式教程)
文章介绍了 Cursor 的免费平替 Gemini Code Assist，可在多种 IDE 免费使用，基于 Google 先进的 Gemini 模型。还给出安装指南，以及开启隐藏 Agent 模式教程，开启后能调用 MCPs 增强能力。
Karpathy力荐必读博客：代码功底，决定AI「开挂」倍数！
Karpathy推荐Atharva博客，指出AI是工程师能力放大器，扎实编程基础搭配精准提示，能借AI打造极致产品。文章还给出用AI开发的策略、战术，以及数据库优化实例。
狂揽15.9K star！！Win系统居然还有开源替代版，牛逼啊~
开源君分享开源项目`ReactOS`，它类似Windows，目标是与NT系列无缝兼容，可直接运行Windows软件和驱动。该项目始于1996年，在Github获15.9K star，有轻量、兼容等特点，安装简单。
Claude Code有救了，这个开源的GUI解决了很多使用体验问题。
Claude Code强大但命令行操作不便，缺少历史记录、回滚等功能。开源的Claudia GUI工具解决诸多问题，将命令行转化为图形界面，支持会话管理、检查点回滚等，性能优异且跨平台。
o3绞尽脑汁仅答对40%的题目，开源模型基本乱猜？MMSI-Bench：多图空间智能试金石
文章介绍了MMSI - Bench，这是用于评估MLLM多图像空间推理能力的VQA基准。它人工构建样本、全面分类任务、采用多样真实数据。实验显示MLLM在多图像空间推理有短板，还开发自动化错误分析流程助力改进。
首创像素空间推理，7B模型领先GPT-4o，让VLM能像人类一样「眼脑并用」
当前主流视觉语言模型（VLM）依赖文本token间接翻译视觉信息，缺乏直接视觉操作能力。滑铁卢大学等团队提出「像素空间推理」范式，让VLM能像人类一样「眼脑并用」，在四大视觉推理基准测试中，7B的Pixel - Reasoner表现碾压GPT - 4o等。
狂赚 21.6K star！超牛的Cursor免费平替项目，隐私友好、功能超强，真的香！
开源君分享了开源AI代码编辑器Void，它是基于VS Code魔改的「开源版Cursor」，保留VS Code优点，AI辅助编码出色。在Github获21.6K star，有隐私保护等特色，操作简单易上手。
纯靠“脑补”图像，大模型推理准确率狂飙80%丨剑桥谷歌新研究
剑桥、伦敦大学学院和谷歌团队推出基于强化学习的视觉规划（VPRL）新范式，纯靠图像推理。新框架利用GRPO后训练，准确率达80%，超文本推理至少40%，代码已开源。