「Open Vision Reasoner」共找到 150 篇相关文章
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。
技术·艺术· 算术：京东零售 AIGC 百亿素材供给实践
本文整理自 QCon 全球软件开发大会·2026 石孝钢演讲。京东零售面对百亿级商品素材供给难题，构建 Oxygen Vision 系统，从艺术、技术、算术三方面探索，实现日供超 1000 万素材，服务超 100 万家商家，核心 XTR 综合提升 29%。
DeepSeek睁开眼了！Opus-4.8的性能，1000张图不到20美分
DeepSeek首个多模态视觉模型deepseek-v4-flash-vision-exp上线DeepSeek API平台。文本能力与V4-Flash持平，多模态Agent能力逼近Opus-4.8，分析1000张图成本不到20美分，还上线免费Files API。
五百行代码打造SOTA视觉智能体！UniPat AI最新开源
多模态大模型代码能力强，但基础视觉任务常失误。UniPat AI推出极简视觉智能体框架SWE-Vision，让模型用代码弥补视觉短板，在五个主流视觉基准测试达最优。该框架设计独特，开源代码和数据已发布。
苹果M5「夜袭」高通英特尔！AI算力狂飙400%，Pro三剑客火速上新
苹果悄无声息更新官网，三款核心产品14寸MacBook Pro、iPad Pro以及Vision Pro换上全新M5芯片。M5芯片性能提升显著，AI能力连翻数倍，加量不加价，在AI、图形处理等多方面有重大升级。
首创像素空间推理，7B模型领先GPT-4o，让VLM能像人类一样「眼脑并用」
当前主流视觉语言模型（VLM）依赖文本token间接翻译视觉信息，缺乏直接视觉操作能力。滑铁卢大学等团队提出「像素空间推理」范式，让VLM能像人类一样「眼脑并用」，在四大视觉推理基准测试中，7B的Pixel - Reasoner表现碾压GPT - 4o等。
全球首个！10万小时人类数据全开源，Hugging Face罕见站台
上周Dyna Robotics公司用超100万小时人类第一视角视频训练DYNA - 2模型，发现物理AI有Scaling Law。8月20日光轮智能宣布10万小时全模态人类行为数据EgoSuite - Open100K开源，与Hugging Face联合发布。
开源 AI 文档生成器！给代码库做个CT扫描，一键生成交互式Wiki文档！
介绍开源工具DeepWiki-Open，它由AsyncFuncAI开发，能将GitHub或GitLab仓库一键转为交互式Wiki，基于多种技术实现代码分析和自动化文档生成，解决开发者理解复杂代码库的痛点，还给出快速上手步骤和适用人群等。
顶尖开发者都在用 skills.sh热门技能
发现全能Skills网站https://skills.sh/，它是Open Agent Skills Ecosystem载体，解决AI Agent能力碎片化等问题。提供一键安装的技能模块库，支持多主流AI Agent适配，有技能排行榜，还能解决AI Agent的能力痛点。
机器人从炫技 Demo 走向上岗，两篇 ICML 顶会论文拆解背后的智能底座
在WRC世界机器人大会上，云蝶科技发布RoboForge系统级具身大脑和WING任务型本体。其科研团队两项成果POLIA与Strat-Reasoner发表于ICML 2026，从视觉证据和他者意图两方面，为理解具身大脑技术提供切口。