搜索：视觉-语言双视角

「视觉-语言双视角」共找到 1748 篇相关文章

终于有AI视频模型，解决了体操难题。

前天深夜MiniMax发布Hailuo 02视频模型，虽未正式上线但放了预告片。该模型能生成杂技动作，解决了体操难题，在复杂动作肢体表现上吊打其他模型，还支持原生1080P，价格便宜。

微软 Build 2025 开发者大会上，开源项目 NLWeb 受关注。它简化网站自然语言交互界面开发，原生支持 MCP，能让任意网站变智能应用平台，还可调用廉价模型，使用方便。

360人工智能研究院发布 FG - CLIP 模型，攻克图文细粒度对齐难题，成果被 ICML 2025 接收并开源。它采用双阶段训练等策略，在多任务评测中超越对比模型，推动跨模态研究产业化落地。

开源君发现宝藏项目`prettymaps`，这是巴西开发者Marcelo Prates的开源作品，能从OpenStreetMap拉取数据画定制地图。它功能丰富，安装简单，可让普通人轻松进行地图视觉创作。

人大、北大、清华等联合发表149页长时程Agent综述，给出首个统一形式化定义，梳理出‘外化Harness工程×内化模型优化’双螺旋共演化主线，用六个视角串起技术版图。

表格异常检测在多领域作用关键，但当前 one-for-one 范式成本高、泛化弱。Griffith 和同济团队提出 OFA-TAD，推进到 one-for-all 范式，在多源数据集训练一次即可迁移，实验表现优异。

近日，围绕‘Markdown 是否已过时’讨论升温。Theo Browne 视频阐述‘HTML 优于 Markdown’五大理由并分享实操技巧，虽指出 HTML 有费 Token、版本控制差问题，但仍倾向用 HTML，不过也有开发者质疑。

Anthropic发布Claude Opus 4.7版本，搭配Routines功能可自动化工作，人类干预减少。该版本能力大幅增强，还引入护栏机制保障安全，推出新运算级别和任务预算功能。

本文介绍信息论之父Claude Elwood Shannon，他1948年发表论文创立信息论，发明“比特”概念，信息从此可精确测量等。他还造了杂耍机器、无用机器、会走迷宫的电子老鼠等。Anthropic用他名字命名产品Claude。

VoxCPM2突破传统TTS系统局限，直接操作连续声学特征，保留音色纹理更完整。基于扩散自回归架构，有硬核技术指标，提供三种克隆模式，性能佳，生态完善，微调便捷，但也存在安全风险。