「多模态控制」共找到 1359 篇相关文章
人类秒懂，AI崩溃：一个简单测试，就让GPT-5、Gemini等顶级模型集体“翻车”
来自多机构研究团队发现，OpenAI的GPT-5等顶级AI模型，面对‘看得见但读不懂’文字时表现极差。VYU团队实验显示，人类能轻松读懂的切分拼接文字，AI却全军覆没，原因是其靠模式匹配，不懂文字结构。
如何让AI“看懂”网页？拆解 Browser-Use 的三大核心技术模块
传统Browser - Use难应对界面变化，大模型驱动下正迈向智能化。文章拆解其三大核心技术模块，介绍历史发展、核心功能，分析源码各模块，指出创新点与不足，还提及业界更好解决方案。
社区供稿 | 开源SOTA：阶跃发布端到端语音大模型Step-Audio 2 mini！
阶跃星辰发布最强开源端到端语音大模型 Step - Audio 2 mini，在多个国际基准测试集获 SOTA 成绩。它统一建模语音理解等，率先支持语音原生 Tool Calling 能力，架构创新，案例展示其多方面强大能力。
不愧是中国机器人，乒乓打得太6了
清华姚班本科生苏智团队在论文中提出结合模型规划与强化学习的分层框架，让宇树G1机器人实现亚秒级反应下的稳定连续对打，在真实实验中击球和回球率高，还能连打106拍。
图解GPT-OSS：架构、消息格式与推理机制等
OpenAI发布首个开源大模型GPT-OSS，虽性能无惊喜，但设计思路有意思。其架构是经典延续，消息格式有巧思，支持三档推理模式，分词器有小进步，这些设计在实际应用和理论上有一定价值。
「机械飞升」18个月后，马斯克首位脑机植入者重磅发声：我重生了！
Neuralink首位脑机芯片植入者Noland Arbaugh术后18个月称像重生，能用思想玩游戏、控家电。Neuralink设备有高连接率、无线等优势，后续将开展盲人视力恢复试验，不过其方法也受批评。
用“蒸汽机”生成视频，还能音视频一体化交付？
8月21日百度营销发布百度蒸汽机2.0，含多版本，有声版可音视频一体化交付。经测试，其生成视频细节佳、运动规律合理。它能解决影视业诸多痛点，成本低，还可免费使用。
演讲生成黑科技，PresentAgent从文本到演讲视频
联合团队提出 PresentAgent，能将长篇文档转化为带解说演示视频。采用模块化流程，还引入 PresentEval 评估框架。实验显示其接近人类表现，优于现有方案，展现了多模态智能体潜力。
一键实现PPT演讲自由！「解说音频+视频」同步生成，效果逼近真人
澳大利亚与英国研究人员提出文档到演示视频生成任务，推出PresentAgent系统。它能将长文档转为带语音和同步幻灯片的视频，流程可控且适应多领域。实验显示其生成视频接近人类表现，还设计了双路径评估策略。
谷歌T5Gemma重燃架构之战！「套壳」反杀Gemma本尊，9B推理快得离谱
2023年以来大模型战场由decoder - only架构主导，Google双线出击。T5Gemma重燃encoder - decoder架构战火，性能提升显著；MedGemma坚守decoder - only路线，强攻医疗多模态，击穿闭源壁垒，打响开源反击战。