「视觉知识」共找到 1120 篇相关文章
边画边想！多模态Reasoning迎来巨大提升！
论文指出文本无法精准表达空间关系，现有视觉语言模型（LVLM）在空间推理上是短板。ViLaSR让模型直接画图推理，经三阶段训练，在五大空间推理测试中表现出色，还开源资源，有望带来机器认知升维。
Granola：ChatGPT、Notion 都入场的 AI 纪要，能真正沉淀工作流吗？
AI 发展带动大量 AI 纪要工具兴起，Granola 凭借新颖 AI 交互方式和对 AI 产品的深入思考，成为领域后起之秀。它提供 AI 补充人工笔记功能，改变了很多知识工作者工作流，但也面临用户习惯和大模型公司切入等挑战。
万字总结：如何练就适配人形机器人的可靠「灵巧手」？｜GAIR Live
在具身智能崛起时，灵巧手成人工智能落地核心突破口。2025年5月25日相关线上沙龙中，嘉宾围绕灵巧手软硬件、数据与模型、落地应用等交流，探讨数据难题、开源价值、落地挑战及中美差距等。
世界模型迎来因果升级：CD-LAM仅用几千步微调即可显著增强动作控制
Aether AI与加州大学圣地亚哥分校研究发现现有世界模型会无视动作控制信号，根源是隐动作模型受视觉混杂因素污染。团队提出CD - LAM，从上游净化隐动作表征，实验显示其能降动作误差、提画面质量，降低后训练开销。
Claude Opus 5深夜发布，以一半价格逼近Fable 5。
周六凌晨Claude Opus 5全量上线，在所有Claude产品里可用。它有100万上下文，知识最新到2026年5月。跑分显示其在很多领域逼近Fable 5，价格仅为一半。它和Fable 5各有优势，还带来Claude Code使用的变化。
GPT-Image-2全量上线，强出天际线
OpenAI的GPT - Image - 2虽未正式发布但已全量上线，实测在文字渲染、知识理解等方面超强大，有信息图、专辑封面、UI设计等多种玩法，Sam Altman官宣明天发布内容或含它，还可能宣布实现AGI时间。
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。
具身导航，感知推理到底是「上帝」，还是执行控制是「命门」？| GAIR Live 023
本文是GAIR Live 023圆桌对话实录，浙江大学彭思达与具身多模态算法专家郝孝帅探讨具身导航。涉及本质、范式、挑战、交互等方面，还对未来5 - 10年发展做了展望。
推特热议、AI 万亿美元新赛道，「上下文图谱」到底是什么？创业机会在哪？
文章围绕「上下文图谱」展开，探讨其定义、构建问题及创业机会。指出它是决策轨迹积累形成的结构，构建要解决双时钟等问题。大厂难以捕捉决策轨迹，初创公司有三条路可走，捕捉决策轨迹或成新万亿级平台。
杨植麟预告，Kimi K3要来了
月之暗面团队海外AMA透露Kimi K3相关信息。K3或采用KDA架构，有低成本优势；通过开源解决信任问题；将推出不同规格模型；产品打磨注重写作、视觉能力及NSFW内容探索。Kimi性价比模式或改写行业规则。