当前，多模态大模型驱动的图形用户界面（GUI）智能体在自动化手机、电脑操作方面展现出巨大潜力。然而，一些现有智能体更类似于「反应式行动者」（Reactive Actors），主要依赖隐式推理，面对需要复杂规划和错误恢复的任务时常常力不从心。
在无数科幻电影中，增强现实（AR）通过在人们的眼前叠加动画、文字、图形等可视化信息，让人获得适时的、超越自身感知能力的信息。
多模态大模型（MLLMs）在视觉理解与推理等领域取得了显著成就。然而，随着解码（decoding）阶段不断生成新的 token，推理过程的计算复杂度和 GPU 显存占用逐渐增加，这导致了多模态大模型推理效率的降低。
多模态大模型几何解题哪家强？
最近在看 Agent 方向的论文和产品，已经被各种进展看花了眼。但我发现，真正能超越 demo，能在 B 端场景扎实落地的却寥寥无几。
自回归模型，首次生成2048×2048分辨率图像！来自Meta、西北大学、新加坡国立大学等机构的研究人员，专门为多模态大语言模型（MLLMs）设计的TokenShuffle，显著减少了计算中的视觉Token数量，提升效率并支持高分辨率图像合成。
作为 2025 年动作最多的 AI 产品之一，夸克近期在发布了「AI 超级框」后，又带来了新的 AI 多模态入口————拍照问夸克。作为手机相比其他 AI 硬件来讲，拍照是让手机自始至终留在 AI 最前线的原因，围绕手机相机这个入口，不断涌现出优秀的 AI 原生应用。
视觉AI终极突破来了！英伟达等机构推出超强多模态模型DAM，仅3B参数，就能精准描述图像和视频中的任何细节。刚刚，英伟达联手UC伯克利、UCSF团队祭出首个神级多模态模型——Describe Anything Model（DAM），仅3B参数。
百度文心大模型X1 Turbo正式发布了。这个基于4.5 Turbo的深度思考模型，效果领先DeepSeek-R1、V3，且价格仅为R1的25%！而文心4.5 Turbo在低价的同时，多模态能力更是让人出乎意料。
就在刚刚，在Create 2025百度AI开发者大会上，李彦宏又一口气官宣了两款新模型：分别是主打深度思考和多模态的X1 Turbo/4.5 Turbo。据介绍，它们是百度在3月发布的旗舰模型X1、4.5的升级版，推理和多模态能力双双更跃Level。
