「多模态能力」共找到 3769 篇相关文章
Agent 护城河：揭秘Harness的三大支柱
上海交大等机构研究者梳理LLM Agent设计逻辑，指出能力正从模型内部流向外部，外部化有记忆、技能、协议三大支柱，Harness负责协调，Agent竞争转向外部化基础设施。
突发！姚顺雨后，清华95后庞天宇加入腾讯，任混元「首席科学家」
继OpenAI大神姚顺雨之后，95后清华博士庞天宇入职腾讯，任混元首席研究科学家，负责多模态强化学习。腾讯AI战略从跟随转向进攻，人才、技术、架构都有新动作。
Anthropic联创公开劝退套路码农！94%编程将被接管，去学点哲学吧
Anthropic联创Jack Clark在峰会上称大学生应避开「套路化编程」，未来需跨学科综合、分析思考能力。Anthropic雇哲学家训练Claude，工程师工作转向管理AI智能体，AI接管编程趋势明显。
Gemini桌面客户端终于上线：直接读取屏幕上下文，帮你解读一切！
谷歌推出Gemini的macOS原生客户端，支持全局快捷键拉起和窗口共享。它能突破浏览器限制，基于屏幕内容提供反馈，但目前离真正的桌面助手还有差距，后续有望补齐能力。
刚刚，Anthropic 发布官方「龙虾」，
Anthropic 发布 Computer Use、/schedule 和 Claude Code Desktop。Computer Use 让 Claude 控制 Mac，结合 Dispatch 可远程操控；/schedule 能创建云端定时任务。Claude 能力不断进化，正成为自动化 agent。
ICME专题征稿 | 具身多模态智能：从感知到世界建模
ICME是多媒体领域国际顶级会议，2026年将在泰国曼谷举行。此次专题征稿聚焦具身多模态智能，涵盖多模态感知、世界模型等主题，介绍了投稿详情及联系方式。
Gemini CLI 重磅更新：现已支持音视频处理，并带来多项体验升级
Gemini CLI 迎来重磅更新，带来多项改进。新增音视频输入（暂未正式开启）、增强 Markdown 功能，集成 VSCodium 和 Neovim，技术栈升级至 Ink 6 和 React 19，还有主题更新、隐私管理等优化。
谷歌放大招！Gemini「吞下」2.5亿地图数据，路痴AI一夜成精
谷歌推出「Grounding with Google Maps」功能，让Gemini接入Google Maps，可调用2.5亿地点信息。本次更新拓展了AI能力边界，适用于多领域，部分Gemini模型支持，还介绍了使用示例。
OpenAI 收购 A/B 测试新秀Statsig ：印度裔创始人出任应用CTO，执掌 ChatGPT 产品工程
OpenAI宣布收购A/B测试巨头Statsig，其创始人Vijaye Raji将任应用部门CTO，负责ChatGPT等产品工程。Statsig为企业提供A/B测试等服务，收购将增强OpenAI实验能力。
Atlas退场：OpenAI放弃的不是浏览器
OpenAI宣布放弃浏览器Atlas，它将被内置到ChatGPT和Codex里。如今‘Agent first’成共识，浏览器是Agent能力体系组件，非入口，独立AI浏览器可能方向错误。