「多模态理解」共找到 1546 篇相关文章
马斯克宣布：Grok学会看片了！无字幕看懂陶哲轩菲奖级难题
马斯克宣布Grok可分析任何视频。它能对伪造视频鉴假溯源，但也有处理画面靠字幕、有幻觉问题和效果不稳定的缺陷。实测中它能理解无字幕视频，还整理访谈内容。这功能虽便利，但引发人类能力退化担忧。
反超Nano Banana！OpenAI旗舰图像生成模型上线
OpenAI发布图像生成模型GPT - Image - 1.5，有更严谨指令遵循、精确编辑等亮点，速度快4倍。玩法类似Nano Banana，在指令遵守和精确编辑上有提升，将在ChatGPT面向所有用户推出，价格下降。但在世界理解能力上遭质疑。
实测可灵O1，AI视频界的Banana也来了。
可灵推出全新多模态视频大模型可灵O1，融合多种视频生成与修改能力。实测显示，它能实现视频内容增删、特定内容修改、扣绿幕、动作迁移、风格更改等功能，虽有局限，但开启用嘴改视频新时代。
上帝视角！DeepMind提前5天锁定Melissa，强度预报不再靠天
飓风Melissa来临前，DeepMind算法提前5天预言其强度变化。该模型用两类数据训练，能生成多种未来场景，在路径和强度预测上优于传统模型，已被NHC投入实战，但AI不能理解灾难，人类仍需做决策。
Seedance 2.0现象级刷屏！深度测评：复杂场景贼稳，连asmr都会？
字节上线的Seedance 2.0全网刷屏，马斯克怒赞，外国网友催更。它在多模态输入上升级，画面一致性更稳可控，还有一镜到底、完整剧情输出功能，视频长度和音效也能DIY，虽有小bug，但日常创作够用。
美团新独立APP，点不了菜只能点AI
美团新开源LongCat-Flash-Omni模型，支持多模态，在全模态基准测试达开源SOTA水准，推理快且全模态能力强。实测交互体验丝滑，其迭代逻辑清晰。该模型成功源于架构创新，美团靠软硬件结合实现虚实连接。
高考数学全卷重赛！一道题难倒所有大模型，新选手Gemini夺冠，豆包DeepSeek并列第二
因网友质疑上次测评不严谨，此次用六款大模型挑战含解答题的全套高考数学题。结果Gemini 2.5 Pro夺冠，Doubao和DeepSeek R1并列第二。解答题是失分重灾区，图像题难倒多模态大模型。
豆包的新身份曝光：在国际艺术展当起了“AI讲解员”
文章讲述作者在浦东美术馆「AI与艺术」豆包讲解体验日活动的经历，实测豆包作为AI讲解员的业务水平，如筛重点、实时讲解、补知识，还揭秘其靠豆包大模型1.8的多模态处理等能力任职。
LLM算力告急？把文本变图片，推理成本直接减半！
大型语言模型处理长文本时计算成本高，本论文探索‘文本即图像’输入压缩策略，将长文本渲染为图像输入多模态模型，可减少近一半令牌，且任务性能不受显著影响，在多任务中验证了其有效性。
LeCun亲自官宣！Meta世界模型V-JEPA 2登场！仅用62小时机器人数据，就能实现零样本控制！
Meta发布V-JEPA 2世界模型及三个新基准测试，Meta首席AI科学家Yann LeCun介绍其不同。V-JEPA 2基于视频训练，用62小时机器人数据就能实现零样本控制，还将探索分层式模型和多模态建模。