「多模态体验」共找到 1613 篇相关文章
被DeepSeek带火的OCR，最新8个开源模型盘点~
DeepSeek-OCR发布让OCR大热，PaperAgent梳理盘点8个热门开源OCR模型，如DeepSeek-OCR用‘上下文光学压缩’技术，Nanonets-OCR2-3B以零样本视觉链式思维为核心等。
释放创造力：解密 AI 贴纸生成器的“神级”提示词模板
文章介绍日本网友分享的 Gem 应用，可上传照片生成各种风格贴纸。详细阐述提示词模板概念、规律特点，还给出波普艺术、日式复古火柴盒等多种贴纸风格提示词库及可用情绪列表，最后鼓励读者动手尝试。
刚刚，OpenAI 发布 GPT‑5-Codex 新模型，专为编程而生
OpenAI 发布专为 Agent 编程优化的 GPT-5-Codex 新模型，在动态思考、性能、代码审查等方面表现出色。同时，Codex 平台大升级，集成 GitHub，保障安全隐私，还公布了定价与可用性。
苹果端侧AI两连发！模型体积减半、首字延迟降85倍，iPhone离线秒用
苹果在Hugging Face放出FastVLM与MobileCLIP2两条多模态主线。前者主打「快」，首字延迟压到竞品1/85；后者突出「轻」，体积减半。模型和Demo已开放，开发者可集成开发。
腾讯重磅开源！端到端视频音效生成模型HunyuanVideo-Foley
腾讯混元正式开源端到端视频音效生成模型 HunyuanVideo-Foley，适用于多场景。它采用新型框架结合 REPA 策略，有三大核心优势，能适配多种场景，抑制底噪，保证音频保真度。
你以为百度慢了，其实它在走一条最难的路
2025 WAIC 上，百度展示多项成果。萝卜快跑获上海牌照、入选‘国家展’，商业化加速；慧播星推 NOVA 数字人技术；飞桨平台等也入选‘国家展’。百度构建全栈架构，把 AI 从炫酷变好用。
o3绞尽脑汁仅答对40%的题目，开源模型基本乱猜？MMSI-Bench：多图空间智能试金石
文章介绍了MMSI - Bench，这是用于评估MLLM多图像空间推理能力的VQA基准。它人工构建样本、全面分类任务、采用多样真实数据。实验显示MLLM在多图像空间推理有短板，还开发自动化错误分析流程助力改进。
首创像素空间推理，7B模型领先GPT-4o，让VLM能像人类一样「眼脑并用」
当前主流视觉语言模型（VLM）依赖文本token间接翻译视觉信息，缺乏直接视觉操作能力。滑铁卢大学等团队提出「像素空间推理」范式，让VLM能像人类一样「眼脑并用」，在四大视觉推理基准测试中，7B的Pixel - Reasoner表现碾压GPT - 4o等。
阿里的 AI IDE 登场了，这事绝对有戏
阿里云正式发布通义灵码的AI原生IDE：Lingma IDE，免费开放，核心功能和Cursor对齐且速度更快。其整合Qwen、DeepSeek系列模型，有感知引擎等亮点，还有企业版适合国内公司。AI编程竞争激烈，阿里有机会做成。
纯靠“脑补”图像，大模型推理准确率狂飙80%丨剑桥谷歌新研究
剑桥、伦敦大学学院和谷歌团队推出基于强化学习的视觉规划（VPRL）新范式，纯靠图像推理。新框架利用GRPO后训练，准确率达80%，超文本推理至少40%，代码已开源。