「视觉理解」共找到 1302 篇相关文章
音乐新王震撼降临，Al音乐进入格莱美时刻
2026开年，MiniMax Music 2.5发布，凭「格莱美级」音质、极致拟真人声开创AI音乐新高度。它消除中文演唱「洋味儿」，支持14种结构标签精准控制，让音乐制作门槛降低，从C端娱乐迈向B端生产力。
cursor翻车了，Anthropic：来，我教你怎么做long running Agent。
近期，Cursor宣称用大量智能体实现长程任务引发关注，但被指是营销惨案，代码存在诸多问题。Anthropic则分享务实的long - running思路，是记忆接力模式，代码可维护。未来模型能力提升或让代码成黑箱。
DeepSeek-R2要来了？
DeepSeek-R1发布一周年之际，其存储库更新引用全新「model 1」模型，极可能是R2。HuggingFace发文称R1降低技术、采用、心理三重壁垒。R1以推理优先，改变多项认知，故事仍在继续。
Agentic UI：重新定义“好体验”——不是美化按钮，而是让认知负担归零
随着 AI 从“辅助者”变为“执行者”，前端架构需重新定义。传统 UI 以“人是执行主体”为假设，已成为释放 Agent 执行能力的障碍。文章提出 Agentic UI 应成为数字员工的执行工作台，介绍了构建方法及试验成果。
AAAI 2026 | 革新电影配音工业流程：AI首次学会「导演-演员」配音协作模式
现有AI配音缺“人情味”，因跳过“导戏”“揣摩”环节。内蒙古大学刘瑞教授团队在AAAI 2026提出Authentic - Dubber框架，模拟真实配音流程，实验显示其情感表达优势明显，提升了AI配音竞争维度。
腾讯混元数字人团队发布Moral RolePlay基准，揭秘大模型的「道德困境」
腾讯混元数字人团队和中山大学推出「Moral RolePlay」测评基准，评估大模型扮演多元道德角色能力，揭示顶尖AI模型演不好反派，暴露模型理解社会心理复杂性的局限，还给出未来对齐技术方向。
Thinking with Video：一种全新的思考范式
在人工智能领域，‘用文本思考’和‘用图像思考’存在局限。复旦大学等团队提出‘用视频思考’范式，通过视频生成模型统一文本与视觉推理，构建VideoThinkBench基准测试Sora - 2，全面解读这一开创性工作。
阿里新研究：统一了VLA和世界模型
阿里达摩院等提出WorldVLA框架，融合视觉语言动作模型与世界模型。它用三套分词器编码，解决传统自回归模型问题，经联合训练，实验显示其性能优，两模型还能相互助力。
一图胜千言被实现了！DeepSeek-OCR用图片压缩文本，10倍压缩率
DeepSeek开源DeepSeek - OCR，用图片压缩文本达10倍压缩率且几乎不丢信息。它解决了以往视觉编码器的问题，架构清晰，数据丰富，性能测试亮眼，为解决大模型‘记性差’问题提供新思路。
突发！OpenAI深夜推出浏览器ChatGPT Atlas：一文深度详细解析「率先支持mac OS」
OpenAI推出人工智能驱动的浏览器ChatGPT Atlas，集成对话式AI改变上网方式。它有随行聊天、浏览器记忆、代理模式三大核心功能，面向全球macOS用户上线，更高级功能对付费用户开放，还注重安全与用户控制。