「多模态信息」共找到 1529 篇相关文章
欧洲版DeepSeek发布Mistral 3系列模型，多模态端云生态，无差别商用交付给全球开发者
欧洲最强AI公司Mistral AI发布全系开源模型Mistral 3，从675B到3B参数打通智能链路，采用先进架构，与业界合作优化，以Apache 2.0协议交付全球开发者，推动开源智能发展。
Thinking with Video：一种全新的思考范式
在人工智能领域，‘用文本思考’和‘用图像思考’存在局限。复旦大学等团队提出‘用视频思考’范式，通过视频生成模型统一文本与视觉推理，构建VideoThinkBench基准测试Sora - 2，全面解读这一开创性工作。
Feed-Forward 3D综述：三维视觉如何「一步到位」
这篇由12所机构联合撰写的综述论文，总结2021 - 2025年间数百项创新工作，建立Feed - Forward 3D方法谱系与时间线，介绍五大技术分支、应用场景、评测指标与结果，还指出未来挑战与方向。
LLM越狱攻击的威胁被系统性高估? 基于分解式评分的「越狱评估新范式」出炉
目前LLM越狱攻击评估常依赖间接指标或LLM宏观判断，易有偏差。德国、中国等研究团队提出JADES框架，用分解式评分机制，揭示过去高估越狱攻击威胁，为评估建新标准。
手机操控革命！开源手机AI Agent，自然语言操控Android/iOS！
传统移动设备自动化工具难实现自然语言控制和跨应用交互，开源项目Mobile - Use提供解决方案。它由Minitap AI开发，能通过自然语言指令实现设备UI感知自动化，功能丰富，应用场景广。
美国航天局与谷歌合作，打造AI医疗助手，以保证宇航员健康
Techcrunch消息，美国宇航局NASA和谷歌合作开发AI医疗助手CMO - DA，保障前往火星的宇航员健康。它有多种模态功能，在谷歌云运行。经测试诊断准确性较高，未来还会增加数据源和情境感知能力。
Gemini CLI 新升级：深度集成 VS Code，终于不用在终端和编辑器之间反复横跳了
Google发布Gemini CLI重要更新，实现与VS Code深度集成，从架构层面解决AI编程助手的上下文感知问题。新版本有工作区上下文感知和原生差异对比界面两个核心功能，还给出部署要求。
AI Agent做PPT卷疯了，最强选手被挖掘出来了
2025年是AI Agent元年，做PPT成成果显著领域。Agent能自主完成PPT全流程，解决此前导出编辑难题。文章对比GenSpark、天工Agent等产品在不同场景做PPT的表现，为用户选择提供参考。
每一幕皆可控！字节发布多主体视频生成神器，人人皆主角
字节发布多主体视频生成神器MAGREF，基于一张参考图像，能生成主体高度一致的视频，多人同台也不串脸。它采用三阶段数据处理流程，构建在DiT架构上，实现复杂视频生成任务。
基于MCP协议的12306购票搜索服务器项目解析（附配置流程）！
文章介绍基于MCP协议的12306购票搜索服务器项目12306 - mcp，涵盖功能特点、技术架构、服务原理、数据流程、工具及安装配置，还给出GitHub地址，助开发者提升购票查询体验。