arXiv cs.AI·33 天前★ 3
FigAct：把科学图表变成可交互讲解画布
原文标题：FigAct: Turning Scientific Figures into Active Canvases for Explanation
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
AI 智能摘要
论文提出 FigAct 框架，将静态科学图表转化为按问题条件生成的视觉演示，直接作用于图表已有图形元素。它像人类讲解者一样生成短旁白、将旁白锚定到对应视觉证据并施加视觉动作引导注意力，分层搜索策略使 token 用量降低约 40 倍。作者还训练了 FigAct-8B 并构建人工验证基准，证明把图表当作演示画布能让解释更清晰易懂。
深读 · 结论先行AI 生成展开看要点与影响 ↓
阅读原文 +0
AI 处理过程展开/收起
原始标题：FigAct: Turning Scientific Figures into Active Canvases for Explanation
AI 中文标题：FigAct：把科学图表变成可交互讲解画布
来源：arXiv cs.AI · 发布于 33 天前
分类：多模态 · AI 重要度：★ 3（3）
标签：多模态大模型 / 科学图表 / 视觉解释 / 视觉锚定
关键词：multimodal LLM / scientific figures / visual grounding
相关推荐
InfoQ AI·2 天前★ 4
谷歌发布 EmbeddingGemma 2，五模态统一向量空间
AI 摘要谷歌推出 EmbeddingGemma 2 嵌入模型，可将文本、图像等五种模态映射到同一个向量空间，实现跨模态检索与对齐。该模型延续 Gemma 开源系列，面向多模态嵌入与检索增强场景。
#多模态
The Verge AI·5 天前★ 4
谷歌发布Genie 4世界模型，可生成带音频交互体验
AI 摘要谷歌发布 Genie 4 世界模型，支持更真实的世界、自然语言实时修改、音频生成，底层由 Gemini 3.8 Flash 驱动，单次体验时长从 1 分钟提升至约 2 分钟。该模型先以研究预览形式向受信任测试者开放，并将向 Google AI Ultra 订阅用户推出。
#多模态
TechCrunch AI·5 天前★ 4
谷歌 DeepMind 发布 Genie 4 世界模型，新增音频与实时操控
AI 摘要谷歌 DeepMind 发布世界模型 Genie 4，新增实时音频、更逼真的模拟环境，并支持在模拟过程中用文本提示实时操控。该模型以研究预览形式向受信任测试者开放，进一步推进可交互世界模型的能力边界。
#多模态
Hacker News – AI·12 天前★ 4
谷歌 DeepMind 称四个 Gemini 4 智能体 27 小时通关《我的世界》
AI 摘要谷歌 DeepMind 表示，四个基于 Gemini 4 的 AI 智能体在 27 小时内自行编写 2783 段程序，成功通关《我的世界》。过程中智能体在简单难度下死亡 605 次，估计消耗约 520 美元 token 成本。
#多模态