「视觉语言理解」共找到 2158 篇相关文章
史上最惨一代？AI延长人类寿命，下一代活到200岁不是梦！
内容创业者Matt Wolfe长期关注AI，他与工程师交流，揭示AI发展现状。巨头各有策略，能源或成瓶颈。AI或带来智能爆炸与生命延长，也可能有‘黑箱语言’风险，还探讨了寿命、机器人等影响。
阿里、南开大学发布免训练，视频大模型创新压缩方法
视频模型序列化处理影响推理速度与扩展性，传统token压缩方法在视频理解中有问题。阿里通义实验室与南开联合发布LLaVA - Scissor，用SCC方法和两步时空压缩策略，实验显示其性能优于其他方法。
烧钱一年，李飞飞的「空间智能」愿景有变化吗？
在a16z主持的访谈中，李飞飞和Martin Casado探讨「世界模型」等话题，重新介绍World Labs愿景。李飞飞指出语言模型描述3D世界有局限，空间智能是关键，公司已推出相关技术和开源渲染器。
全球顶尖AI做物理，被人类按地摩擦？不懂推理大翻车，本科生碾压
港大等机构用3000道物理题测试顶尖大模型，如GPT - 4o、Claude 3.7 Sonnet等，结果模型准确率远低于人类专家。研究推出PHYX基准测试，揭示模型依赖知识、公式和模式匹配，缺乏真正物理理解。
AAAI 2026杰出论文奖 | ReconVLA：具身智能研究首次获得AI顶级会议最佳论文奖
具身智能常被视为‘系统工程驱动’研究方向，ReconVLA获AAAI杰出论文奖，是具身智能方向首次获AI顶级会议最佳论文。它解决VLA模型关键瓶颈，通过重建式隐式视觉定位机制，实验效果显著。
Mistral 发布 OCR 3，提升了手写及结构化文档识别的准确率
Mistral 发布 OCR 3，在多种文档类型上精度更高，超越前一代产品。能提取文本、识别图像并保留文档结构，输出 Markdown 格式。早期用户认可其性能和多语言支持，生产部署扩展快，价格有优势。
豆包 Seed 2.0 来了：字节模型跨越鸿沟
春节前字节发布豆包大模型 2.0，其在 Text 领域进入榜单前十，视觉能力全球第四且成本低。它定位多模态 Agent 模型，有多种能力升级，文中用多个案例展示其强大，还强调字节重原生能力非简单蒸馏。
AI能否「圣地巡礼」？多模态大模型全新评估基准VIR-Bench来了
来自日本高校和企业团队提出多模态大模型评估基准 VIR-Bench，用于评测 AI 对旅行视频中地理位置与时间顺序的理解。它将任务拆解，构建数据集，实验显示模型虽有改进但性能远未达标，指明了大模型进化方向。
谷歌Nano Banana Pro上线，深度结合Gemini 3，这下生成世界了
谷歌最新图像生成模型Nano Banana Pro（Gemini 3 Pro Image）上线，结合Gemini 3 Pro强大推理与知识，在控制力、文字渲染和世界知识方面升级，能生成高分辨率、一致性强图像，还支持创意操控、多语言文本生成等，多产品将上线。
【展讯】不止观看：澳门当代摄影展｜三影堂北京
本次《不止观看：澳门当代摄影展》汇集孙彦等13位澳门艺术家的创作，他们突破传统影像边界，将澳门多元文化转化为视觉文本。展览作品探讨摄影与城市、文化、技术等关系，呈现从传统到AI的多元脉络。