「视觉交互」共找到 1211 篇相关文章
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。
7B模型“情商”比肩GPT-4o，腾讯突破开放域RL难题，得分直翻5倍
腾讯混元AI数字人团队提出RLVER框架，解决开放域RL在真实交互中的‘情商’优化困境。经其训练的Qwen2.5 - 7B模型在情感对话基准得分跃升，比肩顶级商用模型，团队还有诸多启发性发现。
LLM 驱动的 AI Agent通信：协议、安全风险与防御对策
论文围绕智能体通信的协议、安全风险及防御对策展开探讨。介绍兴起与重要性、定义分类、解析多种协议，分析不同交互的安全风险，提出防御对策，还以MCP和A2A为例做攻击实验，给出未来研究方向。
mcp-feedback-enhanced：一个让 Cursor 500 次额度膨胀N 倍的骚气 MCP！一次请求变成 N 次！
Cursor每月500次请求额度常不够用，网友分享“咒语”利用其工具调用功能让一次请求变多次。mcp-feedback-enhanced这个MCP工具能将多次交互合并到一次请求，还介绍了使用、安装配置及持续调用优化方法。
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。
Claude深夜更新！DeepResearch+MCP入侵你的私人数据，威力很大！
Anthropic宣布Claude的「Integrations」集成功能和「Advanced Research」高级研究能力两项更新，改变人与AI交互方式。集成功能可连接多种应用，高级研究能力增强了搜索研究能力，这些更新标志着AI助手向工作伙伴转变。
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。
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。
不止动起来：SentiAvatar重新定义3D数字人动作生成范式
AI 初创公司 SentiPulse 联合团队提出 3D 数字人动作生成新范式 SentiAvatar，打造虚拟角色 SUSU，其框架等已全球同步开源。它解决了高质量数据荒等问题，实验表现优，还实现快速动作生成，支持流式交互。
Skill vs App：一场入口范式的争夺
量子位举办的「龙虾时代，Skill会吃掉App吗？」主题沙龙上，多位从业者围绕Agent生态、Skill能力边界、App未来形态等话题展开讨论。指出Skills不会完全干掉App，App会以Skill形式继续存在并进化，还探讨了App在AI时代的多种走向及面临的问题。