「多模态AI交互」共找到 10594 篇相关文章
一个md文件收获超400 star，这份综述分四大范式全面解析了3D场景生成
南洋理工大学研究者发表《3D Scene Generation: A Survey》综述，系统归纳300+篇论文，将3D场景生成方法分四大范式解析，还总结应用，探讨挑战与未来方向，如保真度提升、引入物理约束等。
360开源高质量图文对齐数据集！收纳1200万张图像+1000万组细粒度负样本，让模型告别“图文不符”
360人工智能研究团队的冷大炜博士团队开源FineHARD高质量图文对齐数据集，包含1200万张图像、4000万个边界框及对应描述、1000万组细粒度难负样本，能提升模型图文对齐能力，还介绍了构建方法、分析及应用前景。
135 个项目、七大趋势、三大赛道：撕开大模型开源生态真相，你会怎么卷？
在开发者大会密集登场之际，5月27日蚂蚁集团开源团队发布《2025大模型开源开发生态全景图》。展示135个项目、七大趋势、三大赛道，剖析开源生态现状与变化，揭示应用重塑和生态位博弈。
想搞好编程，得有点儿朋克精神
音乐传奇 Rick Rubin 提出 Vibe Coding 是编程界的朋克摇滚，即无需精通技术，凭想法和表达就能创造。他本人照片成该编程范式象征。不过 Vibe Coding 引发争议，有人批评也有人看好其未来。
北大团队发布首篇大语言模型心理测量学系统综述：评估、验证、增强
随着大语言模型（LLM）能力迭代，传统评估方法难满足需求。北大宋国杰教授团队论文首次系统梳理LLM心理测量学研究进展，革新评估原则，扩展测量构念与方法，还给出增强方法与未来研究方向。
在Think中边搜索边调整的搜索增强Reasoning方法
LLM虽知识丰富，但无法掌握训练数据外的信息，传统检索增强生成方法有缺陷。AutoRefine提出“先筛选，再回答”理念，用强化学习训练，实验显示在多方面碾压传统方法，未来或改变知识密集型任务解决方式。
ICML 2025 Spotlight｜南洋理工陶大程教授团队等提出基于RAG的高分辨率图像感知框架，准确率提高20%
南洋理工陶大程教授团队等合作，为解决多模态大语言模型处理高分辨率图像问题，探索 RAG 应用可行性，提出 Retrieval-Augmented Perception (RAP) 框架，在多任务上提升性能，已被 ICML 2025 接收。
Agent记忆系统：6大核心操作全景解读
自LLM进入Agent时代，记忆模块成研究重点。以往研究有缺憾，作者提出全面AI记忆研究框架，对记忆表示分类，引入六种基本记忆操作，并映射到多方面，还阐述各部分具体方法。
“如果没有Windows，英伟达根本不会诞生！”黄仁勋放话，全球最值钱公司因Windows才存在？
本文整理了黄仁勋与纳德拉在微软英伟达联合活动的对话，回顾双方数十年合作历程，分享下一代AI PC、Agent安全、混合智能构想，发布RTX Spark新品，探讨Agent落地的权责问题。
万星skill作者：用Opus 5.5，先把视频skill卸载了
本文分享了GitHub万星项目video-shotcraft作者Vincent的最新观点，Opus 5.5仅需一句话就能生成包含BGM、音效的完整视频，无需额外视频制作skill，引发对AI技能价值的讨论。