搜索：视觉语言理解

「视觉语言理解」共找到 2161 篇相关文章

MLLM集体翻车，缺乏婴儿级常识！业界首个核心认知基准发布，LeCun转赞

当前大模型在12项核心认知上普遍落后人类10 - 30%，越大的模型越易靠「背答案」糊弄。团队公开首个系统评测框架和题库，用Concept Hacking方法识破模型真假理解，指出模型存在核心知识缺失等问题。

港中文（深圳）和上海交通大学团队提出 StreamBP 算法，通过线性分解和分步计算，将大语言模型训练激活值内存降至梯度检查点的 20%，在相同内存下最大序列长度为其 2.8 - 5.5 倍，代码已开源。

近日Google开源新项目genai - toolbox，它是为数据库设计的MCP服务器，能让开发者用不到10行代码将数据库工具集成到AI应用。该项目封装复杂问题，有动态工具注册机制，支持主流数据库，提供多语言SDK和多种部署方式。

UC伯克利大学副教授Sergey Levine提出，为何语言模型从预测下一词中学到很多，视频模型从预测下一帧却学得少。他指出LLM可“抄近路”模仿人类推理，像在“柏拉图洞穴”中，还探讨了AI走出困境的方法。

图像推理现新难题，在Reddit引发热议，目前无AI能真正解决。国内外支持图像输入的大模型答案不同，原因是对大立方体规格理解不同。结合提示多次尝试，部分大模型能找准方向，人类面对该问题也会困惑。

Arena公布Qwen3.7-Max-Preview和Qwen3.7-Plus-Preview成绩，文本和视觉领域均为国产第一。Qwen3及以后迭代提速，大版本间隔缩至2-3个月，反映阿里Qwen团队进入快速实验、高频交付阶段。

Typeless是一款月订阅费超200元、功能单一却有超10万用户的AI语音键盘。它能转写语音、整理文本、AI润色，支持多语言，电脑手机端均可使用。实测其转录准确、整理能力强，但润色功能有局限。

TechCrunch调查发现，AI编程公司虽收入和估值高，但普遍亏损。其运作成本高，大语言模型调用费占大头，用户越多成本越高，且市场竞争激烈。公司尝试自研模型、被收购、降价、提价等方法扭亏。

今天国产大模型热闹非凡，Kimi更新至K2.5版本。它是万亿参数的MoE基础模型，开源且在多项评测表现佳，视觉与编码能力强，还引入Agent Swarm功能，实测展示其解决各类复杂任务能力。

马斯克宣布Grok可分析任何视频。它能对伪造视频鉴假溯源，但也有处理画面靠字幕、有幻觉问题和效果不稳定的缺陷。实测中它能理解无字幕视频，还整理访谈内容。这功能虽便利，但引发人类能力退化担忧。