技术应用
三个月只攒100张缺陷图，怎么补到1万张
一家汽车供应链企业三个月只积累到100张微裂纹图。团队用CLIP变体、潜扩散模型和ControlNet补充样本，再经视觉大模型筛选和模型蒸馏，把漏检率从8%降至1.2%，边缘侧推理延迟压到42ms。
阅读全文
Search
站内搜索
关键词：多模态
找到 112 篇相关文章
技术应用
抛弃预训练包袱，通研院如何用极简环境跑通物理Agent的常识推理
针对2026年7月具身智能大模型的高昂训练成本与落地幻觉，北京通用人工智能研究院（通研院）提出了一种新解法：舍弃端到端多模态预训练，在极简仿真沙盒中通过物理因果反馈跑通物理Agent的常识推理，为中小具身智能创业团队提供
阅读全文
前沿研究
机器人学会触觉，不只是为了摸出物体材质
VLA 加入触觉后成为 VTLA。Meta ReSkin、9位清华博士团队采用的“具身本能”、AWE 3.5 和 Quintet AI 指向同一问题：机器人进入精细操作场景，不能只看见物体，还要在接触中修正动作。
阅读全文从Sora 3到多模态实时流：视频生成的下一个战场
2026年7月Sora 3上线10分钟长视频，但行业焦点已转向实时交互。本文分析Transformer架构在视频流处理中的优化，探讨低延迟渲染如何颠覆直播、游戏与元宇宙产业，并引用IDC报告指出中国多模态大模型在交互性上
阅读全文
前沿研究
指尖上的第六感：多模态触觉感知如何让机器人摸清世界
2026年ICLR与国内顶会接连涌现触觉视觉融合新论文，清华、北大等团队把语言模型当作触觉翻译器。本文以TacThru和丁文伯团队工作为线索，拆解模型架构与实验结果，看机器人"触觉-视觉"协同离人类还有多远。
阅读全文
前沿研究
3.6万帧之后，多模态模型为何仍看不懂手术
20分钟、30fps的手术视频有36,000帧。模型既要从冗余画面里抓住短暂动作，又要记住前后步骤、理解解剖关系，并给出可核查的时间证据。CliPPER、VideoMind和UniMedVL分别从长时序、主动检索和医学多
阅读全文2026多模态牌桌没清场，模型之外反而更拥挤
GPT-5、Gemini 2.5被摆在聚光灯下，但现有材料缺少官方信息和同条件评测。MiniMax版本线索与WAIC展会数字反而说明，多模态竞赛正从模型延伸到机器人和AI硬件。
阅读全文
技术应用
AI眼镜拿掉屏幕后，Agent交互得重新设计
2026年，多家厂商把AI眼镜推向消费市场。真正难的不是把手机界面缩到镜片上，而是让Agent判断用户看什么、想做什么，并在付款、发消息等动作前给出明确确认。发热、续航和端云分工，也决定了无屏交互能否成为日常工具。
阅读全文别让手写签名和异形表格毁了RAG，三款开源多模态解析器横评
企业知识库构建中，手写签名、红色印章以及跨页异形表格常导致RAG系统检索失效。本文实测MinerU、Docling与Marker三款主流开源多模态解析器，深度对比其在复杂非结构化文档中的解析精度，并提供生产级Pipeli
阅读全文
技术应用
三款AI眼镜高温实测：不掏手机，2公里能走完吗
三款AI原生眼镜在37℃户外接受2公里步行导航测试。10万勒克斯强光导致视觉过曝，高温把最慢语音响应拉到4.2秒；唯一可独立导航的产品在22分钟后镜腿达到46.2℃，电量从90%降至30%。眼镜能减少看屏，暂时还接不了手
阅读全文
前沿研究
长视频生成最难藏住的穿帮，3D和LoRA怎么补
第1分钟还是深蓝色亚麻衬衫，第5分钟耳钉和领口已经变样。Sora 3、Runway Gen-4把单镜头做得更精细后，长视频的时间一致性问题更加显眼。3D先验可锁住场景，角色LoRA可约束身份，但会换来更高显存占用和更慢推
阅读全文
技术应用
7款儿童AI玩具实测：响应、延迟与安全，谁真的能陪孩子过暑假？
基于同一套儿童问答脚本，对2026年暑期上市的7款主流AI玩具进行多模态交互实测。重点比较响应准确率、端到端延迟、安全过滤和隐私边界，并给出家长可复现的选购清单。
阅读全文