超越O4-mini，多模态大模型终于学会回头「看」：中科院自动化所提出GThinker模型
超越O4-mini，多模态大模型终于学会回头「看」：中科院自动化所提出GThinker模型尽管多模态大模型在数学、科学等结构化任务中取得了长足进步，但在需要灵活解读视觉信息的通用场景下，其性能提升瓶颈依然显著。
来自主题: AI技术研报
5539 点击 2025-07-20 11:50
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
尽管多模态大模型在数学、科学等结构化任务中取得了长足进步，但在需要灵活解读视觉信息的通用场景下，其性能提升瓶颈依然显著。
程序员最有价值的技能已经不再是编写代码了，而是精确地向 AI 传达意图。一份完善的规范才是包含完整意图的真正「源代码」。
只需一段视频，就可以直接生成可用的4D网格动画？！来自KAUST的研究团队提出全新方法V2M4，能够实现从单目视频直接生成高质量、显式的4D网格动画资源。
PhysRig是UIUC与Stability AI联合提出的首个面向角色动画的可微物理绑定框架。通过将刚性骨架嵌入弹性软体体积，并使用Material Point Method（MPM）进行可微分物理模拟，PhysRig能够自然还原皮肤、脂肪、尾巴等柔性结构的变形过程，显著提升角色动画的真实感，解决传统LBS无法克服的体积丢失与变形伪影问题。
你是否也曾担心过，随手发给 AI 助手的一份代码或报告，会让你成为下一个泄密新闻的主角？又或是你在网上发布的一张画作，会被各种绘画 AI 批量模仿并用于商业盈利？
OpenAI通用推理模型在国际奥数竞赛中达到金牌水平，解出5题得分35/42。模型通过新技术实现长时间复杂推理和自然语言证明，非专用系统。标志AI在创造性思考和科学研究的重大突破，为解决千年难题铺路。GPT-5即将发布但暂缺此能力。
世界首个实时AI扩散视频模型炸场，Karpathy亲自站台，颠覆AI视频交互，0延迟+无限时长，每秒24帧不卡顿，MirageLSD首次实现AI直播级生成。
Apple Intelligence 进入新的一章。 近日，苹果发布了 2025 年 Apple Intelligence 基础语言模型技术报告。
病理诊断，是AI改变医疗的关键环节。近年来，癌症诊断需求不断增长，随之而来的是病理科巨大的供给挑战。
我们提出了 PresentAgent，一个能够将长篇文档转化为带解说的演示视频、多模态智能体。现有方法大多局限于生成静态幻灯片或文本摘要，而我们的方案突破了这些限制，能够生成高度同步的视觉内容和语音解说，逼真模拟人类风格的演示。