「多模态DiT架构」共找到 2586 篇相关文章
突破具身智能“专家困境”！北大新方法让宇树G1靠单一框架掌握跳舞和侧手翻
北京大学与BeingBeyond团队联合研发的BumbleBee系统，用创新的‘分治 - 精炼 - 融合’三级架构，实现人形机器人在多样化动作中的稳定控制，破解传统控制策略的‘专家困境’与‘现实鸿沟’。
OpenAI: 构建 AI 智能体实用指南
OpenAI发布的《构建AI智能体实用指南》，阐述智能体定义、适用场景，介绍构建的核心组件、架构编排，强调安全保障，指出构建需多方要素配合，未来聚焦智能体生态系统。
一个大脑，多种本体：江行智能详解物理AI工业落地的系统解法
在2026世界机器人大会具身智能商业落地论坛上，江行智能CEO庞海天演讲指出，物理AI落地受算力约束，中国工业物理AI靠工程效率。江行提出‘一脑多体’架构，产品适配多场景，真实场站成果佳。
ACL 2026 | 赋予视频生成「视觉思维链」：VChain显式建模时空规划与状态演变
南洋理工大学团队在ACL 2026发表VChain框架，引入大模型视觉推理能力提升视频逻辑连贯性。它分三步实现，实验效果超现有方法，还展示视频推理与生成的潜在趋势，为多模态模型协作提供范例。
MiniMax M3 实测：第一流的模型，已经对执行层动手了
文章对 MiniMax M3 模型进行多维度实测。它强化 Coding 与 Agent 能力，能完成长任务，与 Sonnet 4.6 竞技各有优势，多模态能力强，价格有竞争力，MiniMax Code 意在争夺开发者工作流入口。
阿里云海外重磅发布 Qwen Cloud
5月26日，阿里云在新加坡面向全球发布Qwen Cloud。它为AI Agent而生，有Skills、CLI、Website三入口架构，一站式接入模型，覆盖六大模态，成本可控，开放多元生态，还启动黑客松活动。
不改模型、不降质量，谷歌让Gemma 4快了3倍：本地跑大模型彻底变天
谷歌给Gemma 4家族更新Multi - Token Prediction推测解码架构，推理速度最高提升3倍且输出质量不变。介绍了LLM推理慢的原因、MTP解决办法、对开发者的利好、技术细节、使用方式等。
几千亿美元远远不够！黄仁勋亲笔长文：AI 是人类历史上最大的基建浪潮
英伟达CEO黄仁勋发布长文，指出AI是关键基础设施，运行依托硬件、能源与经济规律。AI可解构为五层架构，目前投入仅数千亿美元，未来还有数万亿规模待建，正演变成最大基建运动。
Meta重组AI团队后首个模型来了：不是最强、不再开源、可能够用
当地时间4月8日Meta发布Muse Spark，是重组AI团队后首个模型。它计算效率有提升，在多模态和健康任务领先，但在编程等场景落后。该模型闭源，适配Meta产品，未来优先产品再生态。
yann lecun（杨立昆）新公司AMI融资10亿美元，要做LLM的替代品
Yann LeCun离开Meta后与Alexandre LeBrun创立AMI Labs，获10.3亿美元融资。他们认为LLM有幻觉问题，AMI Labs用JEPA架构构建‘世界模型’，代码和论文将开源，不过短期内无产品和收入。