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
模态
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
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。
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。