「视觉思维链」共找到 1149 篇相关文章
从被100家VC拒绝到英伟达、字节抢着投，AI视频独角兽CEO揭秘“奇葩”用人哲学：不招精英
Synthesia是专注企业级AI视频方案的平台，愿景是让会用PPT的人轻松做视频。创业初被100位投资者拒绝，获Mark Cuban支持后走上正轨。产品受众多公司使用，ARR破1亿美元，还获英伟达、字节等投资，CEO用人不招精英。
95后北大校友挑起ChatGPT Agent大梁！今年刚博士毕业，曾获陶哲轩支持的AIMO第二名
OpenAI发布ChatGPT Agent项目，奥特曼重视有加，让两个华人挑大梁。孙之清从技术介绍强化学习训练，Casey Chu谈人类与Agent合作。孙之清是95后北大校友，Casey Chu领导过GPT - 4视觉输入原型开发。
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
现有多模态大模型在通用场景推理有瓶颈，缺乏对视觉线索校验与再思考能力。中科院自动化所提出GThinker模型，有创新的「线索引导式反思」模式，经两阶段训练，性能超O4 - mini，论文等已开源。
黄仁勋中国现场直击！假如有一个「数字黄仁勋」，我希望我们一起变聪明
英伟达CEO黄仁勋再访北京，接受新智元等媒体采访。他盛赞华为优秀，评价DeepSeek等模型出色，还谈及AGI、数字分身、出口管制等话题。此外，H20芯片解禁重售释放政策信号，有望实现中美科技企业合作共赢。
Gemini 2.5 Pro强势更新并霸榜，Claude 3.7首次遭遇全方位碾压！
Google DeepMind推出的Gemini 2.5 Pro在LMArena各大排行榜全面登顶，实现文本、视觉、Web开发全方位霸榜，编码能力也大幅升级。虽有质疑，但短期内难有对手，还引发对Google I/O大会更多惊喜的期待。
Codex给V4-Flash装上眼睛，DeepSeek也会文档OCR
GitHub上的项目codex-vision-proxy让接进Codex的DeepSeek能看图，不用换模型或等官方，装本地代理即可。它还附带视觉工具包，在智能文档解析和OCR上潜力大，证明多模态能力可长在管道上。
评论送书 | 想系统了解AI？先搞清楚这四件事
文章围绕系统了解AI需搞清楚的四件事展开，介绍了AI理论基础层的机器学习和深度学习，感知交互层的计算机视觉等，应用实践层的机器人学等，还提及伦理社会层的AI伦理和社会影响研究。
无需训练，如何提升黑箱VLM？CARPRT用「类别感知」给出答案
近年来，视觉 - 语言模型（VLMs）改变图像理解范式，但零样本分类性能对 Prompt 敏感。墨尔本大学 TMLR 小组提出 CARPRT 方案，以“无训练、黑箱适配、类别专属权重”解决提示词语义适配不足问题，已被 ICLR 2026 接收。
信息量极大！黄仁勋最新论断：AGI已实现，OpenClaw是AI界iPhone，未来将有10亿程序员
黄仁勋与Lex Fridman深度对谈，分享英伟达发展历程、管理方式、技术趋势等见解。他认为AGI已实现，OpenClaw是Token时代的iPhone，未来将有10亿程序员。还探讨了算力瓶颈、供应链、电力等问题。
ICLR 2026 | 机器人不够聪明？VLMgineer让大模型自己「发明工具」，从设计到使用全自动
宾夕法尼亚大学研究者提出 VLMgineer，一个全自动工具设计与使用框架，利用视觉语言模型和进化搜索，让机器人自主设计并使用工具。该工作已被 ICLR 2026 接收。实验显示，它在工具设计上优于人类提示和现有 Benchmark 工具。