标签：多模态

设想这样一个场景：给机器人下达一句自然语言指令，让它穿过走廊、接连转弯，最终走进指定房间。视觉语言导航（VLN），需要让机器人结合沿途看到的画面，把人...

从 GPT-6 在演示里用 Blender 做三维建模，到 AI 短剧占据越来越多的屏幕时间，再到机器人走进真实场景，看似不同的应用，正指向一组共同的能力要求：理解物...

来自新加坡国立大学、可灵 AI 和香港科技大学的研究团队提出了 DiffusionART，一种面向图像和视频生成的在线 Diffusion RL 算法。该方法支持采用 ODE 采样，...

深圳，热。 2026腾讯全球数字生态大会，热热热！ 整整7200平米的数智成果展，加上1200平米的Buddy Land体验区，放眼望去全被参会者挤得满满当当。 一进...

10 月 30 日消息，当地时间 10 月 29 日，法国公司 Mistral AI 正式开放 Mistral Large 4（简称 ML4，代号 le Chonk）模型权重。 ML4 是一款拥有 1 万亿总参...

人类说一句「我不是狼」，多模态大模型既能看到表情，也能听见声音。但它真的知道这句话是真是假吗？ 最近，来自东京大学的研究团队提出了多模态交互式欺骗...

一张高清照片中，远处的手提包是什么颜色？一页票据里，某项费用到底是多少？面对这些问题，多模态大模型常常需要先找到相关区域，再放大查看。但如果第一步...

随着多模态大模型越来越强，OCR的短板反而逐渐明显。 模型拿到的开始不再是一张图、一段话，而是一张卡证、一份报表、一整页合同；要的也不只是文字，而是“...

近日，在NVIDIA Research推出的GPU算子性能评测榜单SOL-ExecBench [1] 上，无问芯穹（Infinigence AI）取得亮眼成绩： 先后登顶L1基础算子、L2融合算子、Qua...

10月27日，蚂蚁集团发布灵光2.0，这款产品能替用户监控机票价格波动、梳理支付宝账单、排查闲置自动续费项目，被外界视为中国版的Muse。同一天，英伟达宣布以...