搜索
Doc-V* 由小米大模型 Plus 团队和华中科技大学 VLRLab 团队合作提出，一种从「静态阅读」到「主动探索」的多页文档理解新范式，通过交互式视觉推理让模型像人一样有策略地阅读长文档。
围绕 Coordination Engineering 这一下一跳工程范式，他们发布了一套完整的多智能体协同技术体系：Agent Team 实现团队自主协作，业界首发 Team Skills 沉淀协作经验，Team Skills Hub 打通共享生态，Team Skills 自演进 驱动团队持续进化。
搭了个agent，结果该被记住的历史交互经验一点没记住，不该被记住的工具调用结果、过程输出被一股脑塞进上下文，导致输出质量下滑，类似的上下文失焦问题，这是多少人做agent时候的噩梦？
伦敦大学学院（UCL）、普林斯顿大学和爱丁堡大学的研究团队联合推出了Avenir-Web，让现有多模态模型像人类一样使用网页。现有的Web Agent在面对复杂的网页结构（如 iframe、Shadow DOM）时，往往会陷入“定位不准”“缺乏常识”或“走着走着就忘了”的窘境。
OpenAI工程师公开发帖承认：哪怕用的是Codex，一个人能有效监督的coding agent也就3到5个，再多生产率直接往下掉。更劲爆的是，OpenAI没有选择"让人盯更多屏幕"，而是直接开源了Symphony——一套把人类从"实时盯盘"解放成"异步验收"的全新工作流系统。近40万人围观，近3000人收藏。
今天，Anthropic一口气甩出9个设计师专属连接器，以后可以直接在Blender、Photoshop、Premiere这些专业设计软件中使用Claude了。与先前推出的Claude Design不同，这次Anthropic不是要在自家软件里大包大揽，而是把Claude塞进了各大设计软件，用户可以用自然语言在Claude中使用这些专业设计软件，实现对3D模型、平面设计以及音乐等文件的创造和修改。
世界模型黑马横空出世！就在刚刚，生数科技的MotuBrain零宣发登顶双榜，直接打通「看懂世界+执行行动」，而且不同的是，他们把World Action Model适配多个头部机器人本体，完成多个长程任务，这是国产AI的硬核突围！从此，具身智能彻底迈入新纪元。
英伟达于昨日正式推出全新多模态推理模型Nemotron 3 Nano Omni，将文本、视觉、语音三大模态能力深度融合至单一模型体系，目前可免费使用。
SenseNova U1 是商汤最新发布的一个开源的多模态模型，它的 Lite 系列 8B 和 A3B 参数版本，目前已经在 Hugging Face 和 GitHub 上开源。APPSO 也提前拿到了测试资格，我们发现商汤这款新一代原生理解生成统一模型，就开源模型来说，已经做到了最好水平。
就在刚刚， DeepSeek 上线了识图模式，显示正在灰测中。这意味着讨论了一整年的 DeepSeek 多模态能力，终于来了！目前 DeepSeek 网页版和 App 更新后都有可能被灰测到识图模式，APPSO 第一时间给大家进行了实测。