「可控视觉生成模型」共找到 2788 篇相关文章
为什么自监督永远学不到语义？
《Visual Language Hypothesis》论文用纤维丛理论审视视觉表征学习，指出只做连续变换难触达语义。分析现有无监督学习不足，提出“Expand - and - Snap”机制，还通过实验验证，提供审视AI架构新视角。
Vibe Coding 继续：这次，AI Studio 让你可以“画着改UI”
谷歌在AI Studio中引入注释模式，可乱涂乱画用注释命令修改，能更自然地更改应用，与Gemini进行直观视觉对话，还提到Cursor等IDE中类似功能实现方式。
开源SOTA！商汤原生多模态一个大脑完成看图、推理、作画
商汤开源日日新SenseNova U1，用NEO - unify架构让像素和文字自由协作，多项指标达开源SOTA，适配10家国产芯片。它能完成看图、推理、作画等多任务，虽有局限，但后续优化值得期待。
苹果放王炸！开放大模型访问权、全家桶集成ChatGPT，人人能开发AI应用
苹果在“WWDC 2025”大会宣布在多设备集成Apple Intelligence功能，含ChatGPT图像生成等。开放基础模型访问权，开发者可开发适配应用。新功能将逐步开启测试，今年秋季部分用户可用。
NICE59期 | Agent进入下一篇章！Alita：不靠人工预设，自己造MCP自我进化的AI
这篇论文提出让 Agent 主动创造解决 MCP 的工具实现自我进化，工具可网上检索或自主编写。Alita 做法更通用实效，还提出‘Agent 蒸馏’思想，其生成的 MCP 已用于‘manus’。
Meta超级智能实验室首篇论文：重新定义RAG
Meta超级智能实验室首篇论文提出REFRAG框架，重新定义RAG。它通过“压缩、感知、扩展”流程优化LLM处理外部知识方式，最高将首字生成延迟加速30倍，且性能无损。
用雨伞「钓」无人机？首个针对自主目标跟踪闭环系统的物理攻击
加州大学尔湾分校研究人员用特制雨伞干扰无人机视觉系统，实现FlyTrap攻击，让无人机误判目标远去而失控俯冲。此攻击无需信号干扰，成功率超60%，有强泛化能力，揭示了AI感知系统安全隐患。
Skill开发黄金法则！谷歌放出5种智能体Skill设计模式
谷歌工程师研究Skill开发生态，浓缩出5条黄金法则与5种设计模式，包括工具封装器、生成器等，每种模式附可运行ADK代码，还能组合使用，助开发者构建更智能的Agent。
斩获22K star！再见重复劳动，微软AI开源智能办公机器人来了！抓紧用起来
微软推出视觉自动化神器`OmniParser`，上线GitHub获22K star。它重新定义人机协作，有三大能力、五大自动化杀手锏，适用于六大实战场景，还给出速成指南，与同类方案相比优势明显，正重塑办公范式。
李飞飞最新长文火爆硅谷
AI教母李飞飞发表长文，首次系统性解释空间智能，提出真正具有空间智能的世界模型须具备生成、多模态、交互三个核心能力，还分享World Labs进展及世界模型在多领域的潜力。