Meta新突破！跨模态生成告别噪声：流匹配实现任意模态无缝流转
在人工智能领域，跨模态生成（如文本到图像、图像到文本）一直是技术发展的前沿方向。现有方法如扩散模型（Diffusion Models）和流匹配（Flow Matching）虽取得了显著进展，但仍面临依赖噪声分布、复杂条件机制等挑战。
模态
印度发布首个本土多模态人工智能语言模型
据Telecomtalk 6月3日报道，印度科学技术部国务部长Jitendra Singh在印度人工智能峰会BharatGen Summit上发布了印度首个自主研发的多模态大型语言模型（LLM）Bharat Gen。
马里兰大学团队：大模型能欺骗CLIP吗？测试多模态对抗能力
近日，首尔国立大学的研究团队Jaewoo Ahn、Heeseung Yun、Dayoon Ko和Gunhee Kim在arXiv上发表了一篇引人深思的研究论文，题为《Can LLMs Deceive CLIP? Benchmarking Adversarial
云从科技从容大模型登顶全球多模态评测榜首 中国AI首超国际巨头
这一成绩不仅刷新了国内AI模型在国际多模态测评中的最高得分纪录，更超越谷歌、OpenAI等全球顶尖团队，与商汤科技SenseNova（80.4分）、上海AI LAB InternVL（79.1分）占据前10名的半壁江山，展现了中国在通用人工智能领域的突破性进展
2025 年中国多模态大模型行业模型现状 图像、视频、音频、3D 模型等终将打通和融合
行业主要上市公司：阿里巴巴 ( 09988.HK，BABA.US ) ; 百度 ( 09888.HK，BIDU.US ) ; 腾讯 ( 00700.HK， TCEHY ) ;科大讯飞 ( 002230.SZ ) ;万兴科技 ( 300624.SZ ) ;三六零
视觉感知驱动的多模态推理，阿里通义提出VRAG
在数字化时代，视觉信息在知识传递和决策支持中的重要性日益凸显。然而，传统的检索增强型生成（RAG）方法在处理视觉丰富信息时面临着诸多挑战。一方面，传统的基于文本的方法无法处理视觉相关数据；另一方面，现有的视觉 RAG 方法受限于定义的固定流程，难以有效激活模型
视觉感知驱动的多模态推理，阿里通义VRAG，定义下一代检索增强生成
在数字化时代，视觉信息在知识传递和决策支持中的重要性日益凸显。然而，传统的检索增强型生成（RAG）方法在处理视觉丰富信息时面临着诸多挑战。一方面，传统的基于文本的方法无法处理视觉相关数据；另一方面，现有的视觉 RAG 方法受限于定义的固定流程，难以有效激活模型
用多维精细感知任务解析多模态大语言模型的方向理解能力
多模态大语言模型（MLLMs）近年来在许多视觉-语言任务上取得了令人瞩目的进展，但它们是否真正理解物体的方向性？这个看似简单的问题，实际上关系到机器人操作、自动驾驶和增强现实等众多实际应用。波士顿大学的研究团队于2025年5月发表了一项开创性研究，深入探究了这
哈佛大学等团队：Token压缩技术如何重塑生成式AI
在2025年5月发表于arXiv的一篇前沿研究论文中，来自哈佛大学、东北大学、中国科学院、武汉大学、麻省理工学院和北京大学的多位研究者联合提出了一个颠覆性观点：Token压缩不仅仅是提高AI模型运行效率的工具，更应该成为生成式AI模型设计的核心原则。这项由Zh
OpenAI未公开的o3用图思考技术，被小红书、西安交大尝试实现了
OpenAI 推出的 o3 推理模型，打破了传统文字思维链的边界 —— 多模态模型首次实现将图像直接融入推理过程。它不仅 “看图”，还能 “用图思考”，开启了视觉与文本推理深度融合的问题求解方式。例如，面对一张物理试卷图像，o3 能自动聚焦公式区域，分析变量关
单卡也能跑万帧！智源发布Video-XL-2，速度、效果、长度全拉满
智源研究院发布开源模型Video-XL-2，显著提升长视频理解能力。该模型在效果、处理长度与速度上全面优化，支持单卡处理万帧视频，编码2048帧仅需12秒。
哈佛等顶尖学府研究Token压缩，重塑生成式AI未来
在2025年5月发表于arXiv的一篇前沿研究论文中，来自哈佛大学、东北大学、中国科学院、武汉大学、麻省理工学院和北京大学的多位研究者联合提出了一个颠覆性观点：Token压缩不仅仅是提高AI模型运行效率的工具，更应该成为生成式AI模型设计的核心原则。这项由Zh
上海畅致文化传播申请一种基于多模态AI的用户身份真实性验证方法及系统专利，解决误判和隐私泄露技术问题
国家知识产权局信息显示，上海畅致文化传播有限公司申请一项名为“一种基于多模态AI的用户身份真实性验证方法及系统”的专利，公开号CN120068037A，申请日期为2024年12月。
SFT在帮倒忙？新研究：直接进行强化学习
随着 OpenAI 的 o1/o3 和 Deepseek-R1 等具备强大推理能力的大语言模型相继问世，学界普遍采用「监督微调 + 强化学习」的两阶段训练范式：先通过推理数据进行监督微调（SFT），再通过强化学习（RL）进一步提升性能。这种成功模式启发了研究人
无线AI特工队 多模态语义通信破解带宽困局
五月底的arXiv服务器上新挂出一篇预印本，标题长得像科幻电影剧本——《无线自主AI与检索增强多模态语义感知》。但别被学术包装唬住，这玩意儿解决的是个接地气的难题：当一群AI特工挤在狭窄的无线频道里，怎么用眼神和手势说悄悄话。
家电AI风暴刮起来 这些功能升级是不是真香？
现在各种家电产品都在主推AI功能的创新，比如从清晨自动调节的空调，到智能管理食材的冰箱，再到自主规划清洁路径的扫地机器人，这些创新正在重塑家庭生活的每一个细节。那么到底都有哪些创新功能呢，今天我们来盘点一下！
字节的豆包和阿里的通义，谁能笑到最后，成为中国的AI第一名
从技术积累、市场策略、生态布局等多维度综合分析，字节跳动的豆包更有可能成为中国 AI 领域的第一名，但阿里巴巴的通义千问凭借独特优势仍具备持续竞争力。以下是具体分析：
国网河北信通分公司等申请基于混合注意力机制的跨模态检索方法及系统专利，实现更准确的跨模态检索
国家知识产权局信息显示，国网河北省电力有限公司信息通信分公司、北京邮电大学、国家电网有限公司申请一项名为“一种基于混合注意力机制的跨模态检索方法及系统”的专利，公开号CN120071358A，申请日期为2024年12月。
小哆智能申请多模态操作指令语义表示方法及系统专利，成功实现多模态指令的语义对齐和精确解析
国家知识产权局信息显示，小哆智能科技（北京）有限公司申请一项名为“一种多模态操作指令的语义表示方法及系统”的专利，公开号CN120071046A，申请日期为2025年02月。
中科院理化所刘静/北林王磊团队AFM：无需复杂算法！液态金属线圈“拮抗效应”实现多模态传感高效解耦
在现代科技高速发展的背景下，复杂的操作环境对智能材料的性能提出了更高要求。兼具多响应性、高稳定性与精确反馈能力的智能材料，已成为航空航天、生物医学、智能制造等众多领域的迫切需求。然而，传统智能材料在集成多种响应机制方面存在显著局限性，多模态传感器普遍面临信号交