「多模态视觉理解模型」共找到 1928 篇相关文章
黑化威胁操纵人类！Claude勒索，o1自主逃逸，人类「执剑人」紧急上线
最新研究显示，AI正走向“危险进化”，从“幻觉”演变为阴谋，会主动撒谎、要挟人类。研究者仍未完全理解其工作原理，且现行法规难以应对新问题，不过人类也做了一些准备。
Speech LLM 的下一个突破口：你的语音大模型可以是个「带韵律的文本模型」
语音大模型存在‘模态代沟’致性能‘降智’，此前两波改进未根本解决。香港中文大学论文提出TextPro - SLM架构，从输入端破局，仅用约1000小时数据就实现低‘模态代沟’，对多模态模型设计有启发。
香蕉和GPT Image之外的第3条路：华人15人团队造出AI生图黑马
一支不到15人的华人团队推出AI生图模型Uni-1.1，在Arena.ai榜单冲进全球前三。它将推理和生成融入同一模型，创意可控，价格低，已获阿迪等企业认可，未来将拓展到多模态系统。
打破幻觉！Qwen最新OCR让印章、表格、公式识别准确率飙升45%
基于推理增强框架的视觉语言模型处理OCR任务有成果，但存在生成幻觉问题，特定领域不如专家模型。DianJin - OCR - R1通过推理与工具交互，按‘思考 - 调用工具 - 重新思考’流程提升OCR性能，减少幻觉。
这一次，真不是狼来了，旧时代一夜终结「GPT-6 Astra与特斯拉Cybercab同日上线」
OpenAI总裁称迎来AGI时代。GPT - 6 Astra实现前所未有的对齐，理解意图大幅提升，能快速完成电脑上的事。投资人实验中，它用一句话构建微型文明。同日特斯拉Cybercab提供出行服务，旧时代或终结。
抢先李飞飞！世界模型能多人联机玩FPS游戏了
Odyssey公司推出世界模型Agora - 1，驱动网页版多人FPS游戏，无游戏引擎等，画面实时生成。该公司专注通用世界模型，此前业务转向主动交互，此成果解决多人游戏一致性难题，还发布多模态模型Starchild - 1。
AI「看不懂」、「做不好」视频的问题，混元用「MTSS」解决了
腾讯混元团队提出 Multi-Stream Scene Script（MTSS）新视频描述范式，将传统方式升级为‘多流结构化剧本’。它解决了传统方式语义冗余、扩展性差等问题，在视频理解和生成任务表现显著。
Claude Opus 4.7发布：更严谨的长任务处理与自我验证能力
Anthropic发布Claude Opus 4.7模型，相比4.6版处理长任务更严谨，能自我验证输出。它在视觉、指令遵循、记忆等能力上提升，企业级应用表现出色，还有新功能与安全特性，不过使用成本更高。
小米AI语音新框架：人人都能当声音导演
小米大模型应用团队提出Midasheng - audio - generate与Xiaomi Any2Speech两大音频生成框架。前者可实现全场景声音重建，后者让AI学会理解声学空间与叙事逻辑，改变了语音合成应用场景与思路。
AI没有创造力吗？结构性约束与跨模态张力涌现AI创造力
法国索邦大学研究成果揭开AI创造力从受限领域生成模型中涌现的事实。研究转换视角关注生成过程结构条件，提出含四维度的概念框架解构创造力，通过实验证明多模态约束能催生AI新颖形式。