OpenUni开源上线：多模态理解生成新标杆
你有没有想过，一个AI模型能同时听懂你的描述，又能画出你想象的画面？最近，arXiv上一篇未发表的论文《OpenUni: A Simple Baseline for Unified Multimodal Understanding and Generation
模态
社交平台多模态大模型迎来史上最严体检
凌晨三点的手机屏幕还亮着，指尖划过的每一帧画面都在讲述当代人的生存状态：短视频里摇晃的红酒杯折射着都市夜归人的孤独，旅游打卡照上的滤镜掩盖不住高原反应的潮红，宠物视频弹幕堆叠的颜文字背后是年轻人对情感联结的渴望。这个被图像与文字编织的数字丛林里，一场关于人工智
KAUST团队实现在线多模态对话生成重大突破
在日常交流中，我们不仅通过言语传递信息，还通过面部表情、点头或摇头等非语言线索表达情感和态度。当我们与朋友交谈时，这种多维度互动似乎是自然而然的，但要让人工智能系统实现类似的交流能力，却是一项极具挑战性的任务。
模态 kaust团队 kaust omniresponse 2025-06-05 23:56 10
MoDoMoDo：多领域数据混合训练与多模态大语言模型的结合
当前人工智能快速发展的时代，多模态大语言模型（MLLMs）正成为研究的热点。2025年5月，一个由布朗大学、Salesforce AI研究院、NVIDIA研究院等多家顶尖机构组成的研究团队在arXiv上发表了题为《MoDoMoDo: Multi-Domain
机器人也能眼脑并用？EMAC+开启多模态智能新纪元
2025年5月26日，arXiv上一篇尚未发表的论文像一粒火星，点燃了机器人领域的新期待。标题里那个拗口的EMAC+，其实是项突破性技术的代号——它让机器人第一次真正实现了“眼脑并用”。
SRPO：强化学习让多模态大语言模型推理能力更上一层楼
在2025年6月发布于arXiv预印本平台的一项最新研究中，由俄亥俄州立大学的万忠伟(Zhongwei Wan)领衔，联合来自凯斯西储大学、帝国理工学院、杜克大学等多家知名院校的研究团队开发了一种名为SRPO的创新技术。这项研究的全称是"SRPO: Enhan
大模型也有短板 这份AI缺陷清单正在变长
2022年到2025年，全球AI论文总量翻了十五倍，但有个有趣的现象：专门研究大语言模型缺陷的论文数量增长更快，达到28倍。这个发现来自我刚读过的arXiv预印本研究，他们从25万篇论文里筛出了14,648篇聚焦模型缺陷的论文，发现人类对AI的「找茬」速度远超
多模态小波基函数的时频响应特性与工程适配性多维评估体系研究
优点：正交性（能量守恒）、紧支撑（局部性好）；适合处理平滑信号。
天工超级智能体APP火爆上线，AI Office新时代真的来了吗？
近日，昆仑万维公司震撼发布了天工超级智能体（Skywork Super Agents），这一创新产品不仅率先在网页端亮相，迅速引爆市场，而且紧接着在APP端也正式上线，标志着全球首个基于AI Agent架构的Office智能体全面进军移动端，开启了生产力革命的
重磅！2025智源大会完整日程公布——全球AI先锋全阵容集结
2025年6月6日-7日，第7届北京智源大会将以线上+线下联动的形式召开，4位图灵奖获得者演讲，30余位AI企业创始人&CEO分享，100余位全球青年科学家报告，两天会议将密集开展180余场人工智能主题演讲，在思辨与实证的交织中，为 AI 的未来绘制航图。报名
AIGC：人工智能时代的内容生产革命
AIGC（人工智能生成内容）是人工智能技术发展到新阶段的重要产物，它借助机器学习、深度学习等技术手段，实现了从数据输入到内容输出的自动化与智能化。与传统内容创作模式相比，AIGC具有三大核心特征：
人工智能时代的多模态话语研究：机遇与路径
随着生成式AI的发展，社会符号学视角下的多模态话语研究迎来了新的机遇与挑战。本文通过梳理国内外多模态研究的新进展，探讨AI技术在社会符号学研究中的应用及其影响。研究表明，AI在弥补多模态话语研究方法论不足的同时，有助于促进多模态语类创新，并推动社会符号学理论向
技术迭代/平台升级，AI座舱「平权」时代来了？
《高工智能汽车研究院》监测数据，2024年中国市场（不含进出口）乘用车前装标配智能座舱（联网大屏/多屏娱乐+智能语音交互）搭载率升至72.58%，预计2025年将跨域80%大关。这个过程中，包括各类智能硬件、AR HUD、域控制器等细分赛道均进入了快速增长周期
揭秘耶鲁大学让AI通过视觉回顾实现交互式推理的突破性方法
这项研究由耶鲁大学的Jiwan Chung、Junhyeok Kim、Siyeol Kim、首尔国立大学的Jaeyoung Lee以及耶鲁大学的Minsoo Kim和Youngjae Yu共同完成，于2025年5月24日发表在arXiv预印本平台上（arXiv
开放式验证码：解读MBZUAI团队多模态LLM智能体测试平台
在互联网世界中，验证码（CAPTCHA）就像是网站的门卫，守护着网络服务不被机器人滥用。然而，对于那些旨在自动化网页任务的人工智能助手来说，这些验证码却成了一道难以逾越的障碍。2025年5月，来自MBZUAI（穆罕默德·本·扎耶德人工智能大学）VILA实验室和
cadrille：基于在线强化学习的多模态CAD重建技术
计算机辅助设计（CAD）是现代工程和制造业的核心，它让我们能够创建精确且可编辑的3D模型。然而，手动创建CAD模型需要专业技能和大量时间。如何让计算机自动从现有物体中重建CAD模型，一直是研究人员追求的目标。2025年5月，来自AIRI研究院、莫斯科罗蒙诺索夫
AI在三维CAD领域的应用
基于国产三维云架构CAD皇冠CAD（CrownCAD）平台，构建了“大模型底座-多模态智能体-行业应用”三层AI创新体系，为机械制造、航空航天、汽车电子等七大领域提供全链路智能化解决方案。
Soul成果亮眼：实时人像视频生成研究成果被CVPR2025录用
近日，AI领域再度传来重磅消息。新型社交平台Soul App的技术论文《Teller: Real-Time Streaming Audio-Driven Portrait Animation with Autoregressive Motion Generat
国泰海通：AI基础设施完善 细分领域应用望步入拐点
国泰海通发布研报称，维持传播文化业“增持”评级，建议关注具备优秀产品布局和潜力的公司。2024年以来，随着AI技术完善和趋于稳定，在应用端的效果也开始有所体现，部分赛道和产品已经有初步成绩。AI应用发展经历了“纯文字-静态图像/声音-动态视频”的过程，赛道也相
OPA-DPO：多模态大模型幻觉难题的高效解决方案
在视觉多模态大语言模型的快速发展中，幻觉问题一直是研究者们关注的焦点。模型生成与输入图像不一致甚至虚假的内容，不仅影响用户体验，也阻碍了多模态技术在实际场景中的落地。对此，微软亚洲研究院和香港中文大学的联合研究团队从直接偏好优化（DPO）入手，提出了 On-P