
视觉理解和生成究竟能否相互促进?从视觉表征、任务到系统重新审视UMM (opens in a new tab)
理解生成统一模型(Unified Multimodal Models, UMMs)正在成为多模态模型的重要发展方向。相比传统的理解模型 + 生成模型,UMM 希望在同一个模型中同时完成视觉理解和图像生成,让文本和图像能够在统一上下文中被理解、推理和生成。
Total 348 articles

理解生成统一模型(Unified Multimodal Models, UMMs)正在成为多模态模型的重要发展方向。相比传统的理解模型 + 生成模型,UMM 希望在同一个模型中同时完成视觉理解和图像生成,让文本和图像能够在统一上下文中被理解、推理和生成。

视觉编程成绩超GPT-5.4。 智东西9月9日报道,今日,蚂蚁百灵正式开源其首个原生多模态大模型Ling-3.0-flash-VL。Ling-3.0-flash-VL是一款1240亿总参数的MoE模型,单次推理激活5.5亿参数,原生支持图像、文本和视频输入,上下文窗口达到256K Tokens。 此次蚂蚁同步开放了模型的BF16和FP8版本,开发者已经可以在Hugging Face和ModelScope下载模型权重,FP4和INT4版本也将在近期上线。 ▲Ling-3.0-flash-VL开源主页(图源:Hugging Face) 这款模型基于此前的Ling-3.0-flash拓展而来。相比纯

2020年,GPT-3靠“看几个示例就会新任务”震动了NLP界;六年后的今天,同样的故事正在具身智能领域上演。

研究发现SubAgent等上下文重建机制会将工具层的恶意指令提权为用户消息或系统指令,导致Claude Code、Codex、Gemini CLI、Qwen Code、Kimi和OpenCode六款AI编码框架在13类攻击上全部沦陷,连自动权限审核(Auto PR)也被绕过。

OpenClaw 2.0(v2026.8.1)对比前代v2026.7.1-2的实测显示,新版将LLM请求次数减少38%、工具调用减少35%且未触发上下文压缩,把开源Agent从个人工具推向可长期托管、可协作复盘的工作系统,但命令行安装和工程门槛依然较高,更适合团队受控环境测试。

Anthropic发布Fable 5.1完整提示词与工程落地指南,涵盖思考档位选择、工具调用进度汇报、历史对话管理、上下文压缩、写作密度控制、检索引用规范、安全策略调优、多智能体并行及视觉任务处理等多方面的使用技巧与避坑要点。

赛博义父Tibo这下升级赛博亲祖宗了。 只要你付费了但还没法用GPT-6 Astra,那么每天都能重置额度一次。 从今天起,第一个额度还有不到3个小时就发放了,没注册的抓紧注册吧。 而且是发放重置次数,可以自选重置时间。 那还等什么了?5.6 Sol Ultra+极速模式+/goal模式开蹬! 就这还有人不满足,还想要Pro用户提前体验GPT-6。 另外还有一个好消息,GPT-6 Astra在做长程任务时超过272K tokens上下文的部分,不再增加额度消耗倍率。 那么说了这么多,GPT-6 Astra什么时候能开放呢? 具体也没定好,只能说尽快,下次一定。 在GPT-6来之前,可以先做3件

Codex用着用着就要压缩上下文、压着压着可能还“失忆”的痛苦,就要结束了!

Uber公开内部AI软件工厂,透露其超过七成PR代码审查已由AI Agent接管,在Agent周活用户增长7倍、请求量激增9.4倍的背景下,通过六因子成本公式拆解与模型路由、代码模式、上下文图谱等优化手段,将单会话平均成本压降52%。

你的电脑屏幕,从未如此重要。 现场体验过 Violoop 之后,很多关于未来的「AI 助手」该长什么样、能做些什么、能力的极限究竟在哪的困惑,可能都会迎刃而解。 因为 Violoop 已经把它们变成了