#多模态

두디 Doodi@doodi_dev来源· 15:14精选AI 评分7171

作者介绍了 GitHub 项目 image-blaster，称这套 Claude 技能可在 5 分钟内把单张照片转成 3D 环境。其中，移动物体输出为 .glb、.obj 模型，静态背景输出为可浏览的 .spz 场景，同时生成环境音与逐物体音效，还可要求它每步先向使用者确认。

何恺明团队VISTA：给 AI 一套“视觉外骨骼”，让Opus 5玩 游戏 从40.68分直冲满分

玩一款没有教程的新游戏，难点常常是逐步摸清规则：点过哪里，画面发生了什么变化，刚才不起眼的标记，是否后来才显出作用。对于多模态智能体，这也意味着一项能力：需要时，能够重新查看已经见过的画面。 最近，MIT 何恺明团队提出的 VISTA，将这种“回头看”的能力做成了模型与环境之间的交互框架。它保留原始视觉记录，让模型自行选择回看时间、画面区域和细节尺度。在 ARC-AGI-3 的 25 个公开游戏上，搭配 Claude Opus 5.0 和 GPT-5.6 Sol 的系统都完…

谷歌AI独立通关了《我的世界》

总共花了27小时 Updated: 2026年10月20日 10:11 谷歌研究人员发表论文称，4个谷歌Gemini 4 Argon AI智能体刚刚在没有任何人类协助的情况下通关了《我的世界》。它们花了27个多小时击败末影龙，据信这是全球首次。 当然，这可不是跑到末影龙面前射几箭那么简单。在《我的世界》中，玩家要前往末地并击败末影龙，必须先完成一连串考验。 玩家得先收集末影珍珠、末地烛，合成末影之眼，再去寻找要塞并解开谜题。这需要刷取不少资源，还得从《我的世界》的基础工具起…

Granite Switch 4.1 发布：聊天、决策与语音转写共用一个端点

Granite Switch 4.1 的 8B 和 30B 模型发布，可在单一托管端点中切换聊天、决策和语音转文本任务。

Meta 发布开源权重多模态混合专家模型 Muse Spark Open

Meta 发布开源权重多模态混合专家模型 Muse Spark Open。该模型总参数约 816B、每 token 激活约 42B，上下文最长 1M tokens，支持文本、图像、音频和视频输入并输出文本。

Gemini 4 Argon：专为解决你最棘手的问题而打造

Oct 13, 2026| 我们正为开发者、企业、科学家和消费者提供访问我们最新前沿模型的权限。 您的浏览器不支持音频元素。 收听文章 [[duration]] 分钟此内容由 Google AI 生成。生成式 AI 是实验性的。 本文 专为解决您最棘手的问题而打造 解决复杂工程任务

Atlas：面向空间智能的世界模型

世界模型能够生成、重建并模拟任何可能的世界。 它们理解世界如何呈现、如何运作、如何演化， 从而让我们能够为创意用户渲染想象中的世界， 高保真地模拟真实世界，并帮助机器人规划行动。 在 World Labs，我们构建这些通用世界模型，以追求空间智能。今天，我们正式发布 Atlas，我们的下一代世界模型。 Atlas 是一个全模态模型，我们从零开始预训练，使其能够原生处理 文本、图像、视频和 3D。 它是一个多模态自回归扩散 Transformer： 所有输入都被整合到一个共享…

超参数科技发布游戏智能体COTA，由大模型驱动并可达百毫秒级响应

超参数科技发布自研游戏智能体COTA，称其为首个完全由大语言模型驱动、具备思维可解释性且实机表现达到真人高分玩家水平的游戏智能体产品。COTA以Qwen3-VL-8B-Thinking为基座，采用指挥官与行动专员双系统分层架构，响应时间最快可缩减至100ms。超参数科技已在官网开启COTA预约体验通道。