「多模态应用」共找到 2966 篇相关文章
豆包大模型2.0+Claude Skills，3步装好，终于有AI能帮我"看视频做笔记"了！火山引擎全系列可用！
传统视频总结工具只基于音频总结，内容浅显。而豆包大模型2.0是多模态原生模型，能同时处理画面和声音。只需3步安装配置，就能让它真正“看”视频，输出详细笔记。
天下武功，唯快不破：LLM高效架构最新最全面综述
大型语言模型虽成就辉煌，但训练成本高、推理延迟大，核心问题源于Transformer架构。这篇综述论文首次系统性梳理高效LLM架构创新方案，分类七大类方法，延伸至跨模态应用，为研究者提供‘效率蓝图’。
GitHub一周2000星！国产统一图像生成模型神器升级，理解质量双up，还学会了“反思”
智源研究院发布国产开源统一图像生成模型OmniGen 2.0版本。它增强理解与生成能力，打通多模态生态。玩法简单，技术有创新，还引入反思机制和新基准，推理效率提升，且将全面开源。
谷歌AI试穿神器真神了！上传照片秒出OOTD，视频效果和照镜子没区别
谷歌推出应用Doppl，上传照片就能看到衣服“穿”在自己身上的效果，还能生成动态视频。它不仅能试穿，还会帮忙搭配。此外，Google Labs还有Portraits、文生视频产品Flow等小实验。
Dify、n8n、扣子、Fastgpt、Ragflow到底该怎么选？超详细指南来了。
文章从实用角度出发，对Dify、Coze、n8n、FastGPT和RAGFlow五款主流平台进行详细功能对比，结合真实使用体验和应用场景，为不同需求者提供选择指南，还给出选型考量要素。
AI自己写代码做科研还跑赢了前沿算法？清华团队开源Alchemy框架
清华团队开源 Alchemy 框架，它是面向自动化 AI 科研的标准化研究环境，能让 AI Scientist 摆脱工程负担，专注算法创新，还支持多领域、多任务，具有多种特性，在多模态推荐任务中表现出色。
警告：你的Agent可能无法"解决"真实世界的视觉问题
文章提出 AgentVista 评测基准，含 209 道任务，横跨 7 大领域 25 个子方向。评测 14 个主流模型，最强的 Gemini - 3 - Pro 准确率仅 27.27%，揭示多模态 Agent 在视觉理解、工具调用等方面挑战大。
感知错误率降低30.5%：隐式感知损失让模型主动“睁大眼睛” | UIUC＆阿里通义
伊利诺伊大学香槟分校与阿里通义实验室推出多模态推理强化学习算法PAPO。它用隐式感知损失设计，解决感知与推理脱节问题，在多基准测试中表现优，但有KL_prcp Hacking现象。
一篇Graph+AI Agents最新技术综述
该综述提出分类框架组织Graph与AI Agents领域研究进展，详细探讨图技术在AI代理规划、执行、记忆和多代理协调等核心功能中的作用，还提及代表性应用、挑战和未来机遇。
充分激发模态协作，MokA量身打造MLLM微调新范式
当下多模态大模型微调多「照搬」单模态微调策略，忽视模态差异。中国人民大学和上海人工智能实验室团队提出 MokA 方法，兼顾单模态与跨模态建模，在多基座、多场景实验中显著提升性能。