「多模态参考」共找到 1092 篇相关文章
对话阶跃星辰段楠：“我们可能正触及 Diffusion 能力上限”
阶跃星辰段楠指出当前视频生成技术或触天花板，真正有深度理解能力的模型尚待突破。他预测未来1 - 2年视觉领域基础模型有望出现，还分享视频生成及多模态AI未来核心洞察。
文生图进入R1时代：港中文MMLab发布T2I-R1，让AI绘画“先推理再下笔”
港中文MMLab团队发布首个基于强化学习的推理增强文生图模型T2I - R1。它提出双层级CoT推理框架和BiCoT - GRPO强化学习方法，解决生成评估难题，为多模态生成提供新范式。
当 Agent 尝试接管浏览器，连“我是人类”都证明不了？上海交大开源发布交互评测基准 HLL
随着多模态大模型发展，Web Agent 面临验证码挑战。上海交通大学等团队发布 HLL 评测基准，解耦真实度为三维度，对 8 款前沿模型测试，揭示 Agent 在多步交互微操上的短板。
全球第一！ 中国模型登顶榜首，首个可编辑AI语音来了
中国AI语音ViiTorVoice登顶全球语音权威评测榜单Seed - TTS，首创「局部编辑」能力，解决语音无法局部编辑痛点。实测效果惊艳，还具备精准情绪控制、无参考文本克隆等能力，部分模型已开源。
Agent Skill规范、构建与设计模式
文章深入解析 Agent Skill 的规范、构建与设计模式。介绍了 Skill 规范标准、三层渐进式加载机制和触发机制，阐述了 Skill-Creator 和 Writing-Skills 的核心思想，还总结了 Google 的 5 种 Skill 设计模式，最后指出 Skill 生态已形成完整知识体系。
迈向无缝共生：大模型GUI Agent的「屏幕图灵测试」与拟人化之路
多模态大模型使GUI Agent能模拟用户执行任务，但也引发与平台的利益冲突。论文提出“屏幕图灵测试”和AHB基准评估拟人化能力，探讨拟人化策略及权衡，为Agent在数字世界共生提供指南。
CVPR2026 | 鬼手想点谁就点谁？LaSM让GUI智能体把注意力「收回来」
文章聚焦弹窗式环境注入攻击，指出多模态智能体易受环境干扰致目标漂移。提出 LaSM 方法，通过放缩关键层权重让智能体注意力回到任务，实验显示其提升防御效果，且对正常任务影响小。
这个 AI 股票分析项目，居然快 2w star了？！
A股行情火热，盯盘分析耗时耗力。Github上的开源项目`daily_stock_analysis`基于AI大模型构建，能自动分析股票行情等，生成“AI决策仪表盘”，给出投资参考建议，目前已获18.1k+ Star。
引爆千亿市场！杭州AI再出王炸：刷新自研天花板，“三甲专家大脑”装进14亿人口袋
在2026智诊科技AI发布会上，智诊科技完成蜕变。其发布的Wise MemOS 2.0打破传统局限，WiseDiag V2有深度多模态联合分析能力，WiseResearch让AI告别幻觉，“好伴AI”下放技术，服务大众。
模型声称会“脑补”，结果被论文打脸了？潜在空间想象竟是“摆设”！
多模态大模型中“潜在视觉推理”概念很火，研究者让模型在潜在空间“想象”。但清华和北交学者论文指出，潜在 Token 不关心输入、不影响输出、没信息量。作者提出 CapImagine 方案，效果远超潜在空间方法。