搜索：视觉 - 语言智能体

「视觉 - 语言智能体」共找到 4645 篇相关文章

ICRA 2026｜NUS邵林团队提出T(R,O) Grasp：刷新跨智能体灵巧抓取SOTA，实现5FPS动态环境交互

新加坡国立大学邵林团队提出T (R,O) Grasp，这是基于物体—机器手空间关系建模的图扩散架构，有跨智能体统一表征能力，在多种智能体上平均抓取成功率达94.83%，刷新跨智能体灵巧抓取SOTA。

有两篇多智能体文章引发热议。Anthropic分享多智能体研究系统构建经验，指出适合特定任务；Cognition认为当下AI Coding暂不适用多智能体。文章还介绍多智能体架构、提示词原则等内容。

大型语言模型驱动的多智能体系统成解决复杂任务重要范式，但智能体协作存在关键问题。Griffith和西北农林科技大学团队提出OFA - MAS，将多智能体拓扑设计从one - for - one推向one - for - all，实验效果佳。

具身智能领域论文被引次数最高的华人学者苏昊回国加盟复旦，将担任浩清特聘教授，领衔建设通用物理智能研究院并出任院长。苏昊成果丰硕，他认为复旦要做的事与自己一致，对具身智能持“谨慎的乐观”态度。

文档解析领域处理多语言复杂文档需高效能力，传统OCR工具存在不足。小红书HiLab开源多语言文档解析模型dots.ocr，基于1.7B参数视觉语言模型，性能达SOTA，单页PDF处理快，公式识别媲美大模型。

马年新春，蚂蚁集团领投上海具身智能创业公司大晓机器人，这是蚂蚁2026年首笔具身智能投资。大晓机器人刚完成天使轮融资，资金用于技术迭代与产品落地，其核心团队实力强劲。

多模态大模型浪潮中，视觉模块是关键。此前OpenVision训练管线复杂，成本高。研究者提出OpenVision 2，移除文本编码器与对比学习，引入随机丢弃视觉token技巧，性能佳且效率高，挑战了对比学习范式。

Codebuff是开源AI编程助手，获超5.1k stars。其多智能体架构让不同智能体分工协作，理解代码上下文更好、编辑更准。官方测试中完成率61%，超Claude Code。它免费且上手简单，还能创建自定义智能体。

智能家居爆发期，诸多硬件品牌借涂鸦能力发展。如今涂鸦发布AI生活助手“Hey Tuya”，它依托自研架构补齐Agent进入物理世界的关键能力，让涂鸦从幕后走向台前，有望构建家庭生活新基础。

微软CTO Kevin Scott在“Build2025”大会期间接受专访，解读微软推动智能体生态发展。微软重视智能体应用，众多组织用其平台开发。他还探讨编程看法、行业变化、安全模型、市场模式等问题。