「多模态知识获取」共找到 1505 篇相关文章
刚刚，全球视频模型新王诞生了！
天工AI的SkyReels-V4直接登顶Artificial Analysis文转视频全球榜，超越Veo 3.1、Sora 2。其相比之前有两大核心升级，让视频生成从‘生成片段’走向完整视频生产，还应用于短剧平台DramaWave。
CVPR 2026 | 还在为AI「鬼画符」发愁？TextPecker即插即用破解文字渲染难题
在生成式AI浪潮中，视觉文本渲染仍是未攻克的核心难题。华中科技大学白翔教授团队等提出TextPecker，是基于结构感知的即插即用型强化学习优化策略，可适配主流生成器，提升视觉文本渲染性能，已被CVPR 2026接收。
字节开源GUI Agent登顶GitHub热榜，豆包手机核心技术突破26k Star
字节开源的豆包手机核心支撑GUI Agent模型UI - TARS登顶GitHub热榜，突破26k Star。它是多模态AI智能体，纯视觉驱动，部署简单，历经多轮迭代，成为热门开源多模态Agent。
在参与OpenAI、Google、Amazon的50个AI项目后，他们总结出了大多数AI产品失败的原因
Aishwarya Naresh Reganti 和 Kiriti Badam 参与超50个企业级AI产品构建。他们指出，如今AI产品构建成本降低，但多数仍失败。还分享开发陷阱与路径，如从低自治高控制起步、建立CC/CD框架等，也对AI未来发表看法。
你们问了一万遍的票据风图片提示词，它终于来了!
文章分享票据风图片提示词，还将此风格打包成 Skills。该 Skills 能批量为文档生成配图和封面，有多种格式、分辨率等选项，内置三套风格，还介绍了安装和使用方法。
LLM时代的事件抽取：从静态任务到认知脚手架
此综述论文探讨LLM时代事件抽取价值，认为其未被削弱，应视为“认知脚手架”。它系统梳理任务分类、方法演进等，还提出六大未来研究方向，指向将其演化为智能感知与记忆层。
认知重建：Speckit 用了三个月，我放弃了——走出工具很强但用不好的困境
本文作者分享使用 Speckit 三个月的踩坑经历，探讨 AI 编程工具落地难题。介绍复合工程与上下文工程理念，提出 AI 工程化方案，对比传统工具，阐述其设计、落地策略及未来趋势，助力解决企业开发痛点。
装了 AI 大脑的 Grep
本文介绍了 mgrep 工具，它有自然语言搜索、支持多语言多模态等特点。还说明了使用方法，如安装、登录、索引项目和搜索等，能与编码 Agent 配合，可补充 grep 进行代码搜索。
5.2K Star！离线也能翻译，零网络高隐私，40+语言的纯本地翻译神器！
日常在线翻译服务有隐私、离线使用等问题，Argos Translate是100%本地运行的离线翻译方案，免费、隐私安全，支持40多种语言，具备多模态接口、GPU加速等功能，适合多种场景。
小米打通智驾和具身大模型，然后开源了
小米汽车陈龙团队开源全球首个跨具身基座模型MiMo - Embodied，基于MiMo - VL架构，采用四阶段训练策略，打破室内操作与户外驾驶领域鸿沟，在29个Benchmark上超现有模型。