「深度多模态整合」共找到 1866 篇相关文章
8B硬刚72B！MiniCPM-V 4.5技术报告正式出炉
行业首个具备“高刷”视频理解能力的多模态模型MiniCPM-V 4.5技术报告发布，提出三项关键技术，使模型在多任务达同级SOTA，8B参数规模超72B模型，推理快，开源后获社区好评。
突破高分辨率图像推理瓶颈，复旦联合南洋理工提出基于视觉Grounding的多轮强化学习框架MGPO
先进多模态大模型处理高分辨率图像有瓶颈，复旦和南洋理工研究者提出基于视觉Grounding的多轮强化学习方法MGPO，能让模型精准推理，还可使模型从答案反馈中涌现视觉定位能力，避免依赖昂贵标注。
FairyGen：AI 把孩子的画“动”起来，个性化教育和动画创作
FairyGen 能将孩子画作变成卡通短片，通过多模态大语言模型构思分镜脚本，采用分层建模处理前景人物动作与背景动态。其生成流程分四阶段，但也存在前景角色重建不准、背景生成不稳定等问题。
海光整并曙光后，是否会放弃服务器？
5月25日晚，海光信息将合并曙光信息的公告引发关注。二者关系密切且在产业链位置特殊。海光发展势头好，吸并或为提升系统能力。对于曙光是否放弃服务器业务有不同看法，整合还可能冲击华为。
让大模型“边看边改”，视觉分割准确率直接上涨9% | ICML 2026
复旦、创智联合推出RSAgent，让多模态大模型通过多轮工具调用生成准确掩码，解决视觉分割难题。该工作入选ICML 2026，实验显示其在多个测试集上表现领先，还展示了从‘看图问答’到‘视觉行动’的路径。
社区供稿丨MiniCPM-V 4.5 技术报告正式出炉
上个月开源的多模态模型 MiniCPM-V 4.5 广受好评，今日其技术报告出炉。报告从架构、数据和训练三方面探索高效路径，提出三大技术，使模型在多任务上突破，小参数规模下性能和推理速度佳。
GPT-5.4 发布，OpenClaw 要被替代？OpenAI 新模型会自己用电脑了，还顺手把编程能力拉满
今天，OpenAI 发布 GPT-5.4，将推理、编程和计算机使用能力整合，具备原生电脑操作能力，提升了工具使用效率。它成本降低、幻觉减少、编程能力更强，但 API 价格较高。其或与 OpenClaw 抢夺入口。
让机器人学会系统2慢思考，叠衣服倒咖啡等不在话下 | 上海交大&智元机器人
上海交通大学与智元机器人等团队推出Hume——融合系统2慢思考的双系统VLA模型。它结合深度推理与实时控制，在多种机器人平台实验中表现出色，平均成功率达91%，显著超越现有模型。
这个Coding Agent框架要火！Cursor、Claud太慢了
AI Agent赛道爆发，开发编码代理效率低。新出的jcode框架将Coding Agent功能整合，解决痛点，内存效率高、启动快、资源占用少，还能为开发者省80%底层开发时间。这是赛道成熟信号。
VLM剪枝新SOTA：无需重训练，注意力去偏置超越6大主流方案
常用的attention机制存在位置偏置和padding异常，影响剪枝效果。上海大学曾丹团队提出无需重新训练的attention去偏方法，在多模型、剪枝策略及基准上验证有效，为多模态模型部署提供新思路。