「多模态输出」共找到 1196 篇相关文章
CVPR2026 | 鬼手想点谁就点谁？LaSM让GUI智能体把注意力「收回来」
文章聚焦弹窗式环境注入攻击，指出多模态智能体易受环境干扰致目标漂移。提出 LaSM 方法，通过放缩关键层权重让智能体注意力回到任务，实验显示其提升防御效果，且对正常任务影响小。
逼AI当山顶洞人！Claude防话痨插件爆火，网友：受够了AI废话
一个叫「caveman」的Claude Code插件在Hacker News爆火，冲破2w星。它核心是条prompt，删掉冠词等废话，号称省75%输出token。但它不压缩模型后台推理token，真实成本节省存疑。
阿里搞了个全能解析器，文档、图片、音频、视频一锅端
阿里巴巴开源 Logics-Parsing-Omni，用一个模型统一处理文档、图片、音频、视频四种模态，输出结构化 JSON 数据。它采用三级渐进解析框架，两阶段训练策略，在自建基准上多项指标超越 Gemini - 3 - Pro。
引爆千亿市场！杭州AI再出王炸：刷新自研天花板，“三甲专家大脑”装进14亿人口袋
在2026智诊科技AI发布会上，智诊科技完成蜕变。其发布的Wise MemOS 2.0打破传统局限，WiseDiag V2有深度多模态联合分析能力，WiseResearch让AI告别幻觉，“好伴AI”下放技术，服务大众。
自动化评测的九九归一——评测agent
本文提出统一评测Agent架构，实现评测全链路自动化。它能学习标注标准，完成自动标注等工作。还介绍架构、解耦方法、模型优化及训练方案，解决多模态幻觉等问题，提升机审率，节省标注成本。
蚂蚁开源世界模型LingBot-World：具有分钟级记忆的实时世界模拟器
蚂蚁集团旗下灵波科技开源具身智能模型及世界模型LingBot-World，它将视频生成模型进化成可交互世界模拟器，采用多阶段进化策略，有涌现记忆等能力，虽有不足，但为开源社区构建世界模型迈出坚实一步。
AI看不懂的色盲测试背后，藏着一场像素与诗意的战争。
作者和同事测试AI色盲测试图，多模态模型Gemini 3 Pro、Claude Opus 4.5等纷纷答错，仅GPT 5.2 Thinking答对且靠代码作弊。研究发现，AI看图断章取义，缺乏人类的“格式塔”能力。
DeepSeek又拿第一！首创「因果流」视觉推理，超越Gemini
DeepSeek开源DeepSeek - OCR2，引入DeepEncoder V2视觉编码器，打破传统模型扫描限制，模仿人类视觉「因果流」逻辑。它解决了传统VLM忽略图像语义结构问题，在多项测试中表现出色，还验证了「LLM作为视觉编码器」可行性。
多 AI 协同 + SDD 编程实践：一个 AI 全流程交付实录
2025 年以来 AI Coding 技术发展迅速，但在复杂业务场景中存在诸多问题。文章基于 SDD 范式，构建由 Claude Code、CodeX 与 Gemini 协同驱动的工作流，介绍 SDD 理念、技术选型，详述多模型协作机制、工作流程与保障机制，分享实践步骤。
实测夸克「千问划词快捷指令」，这7个邪修Prompt，建议收藏
新年 DeepSeek 发布技术论文，网友难理解便求助 AI。夸克 AI 浏览器更新，‘千问划词’支持自定义快捷指令，实测精选 7 类实用指令，还介绍了操作方法，且其功能不断进化。