搜索：视觉-语言双视角

「视觉-语言双视角」共找到 1751 篇相关文章

比Claude效果更好、且便宜近 100 倍？xAI祭出“白菜价”AI编码模型掀桌子！网友：便宜没好货

xAI 推出编码助手模型 Grok Code Fast 1，采用新架构，有强大全栈开发能力。价格低，在性能与成本间取得平衡。用户评价不一，它在日常开发场景性价比高，与其他竞品各有优势。

科研等领域图表是信息核心载体，先进开源MLLMs在高难度图表理解测试准确率低。本文提出ECD数据集，规模大、质量高、风格多样，还设计合成流水线与评测基准ECDBench，为开源MLLM提供支持。

中山大学、鹏城实验室、美团联合提出X - SAM，统一图像分割多模态大模型。它将分割范式扩展，设计通用输入输出，采用端到端架构和三阶段训练策略，在超20个数据集达最优，为图像分割研究开辟新方向。

Google DeepMind首席科学家Denny Zhou在斯坦福CS25课程分享大语言模型推理见解，总结了四个关键点，阐述推理机制、优化方法及最新进展，还介绍多种推理方法并比较其优劣。

Omni-Effects是面向多样化定制视觉特效生成的统一框架，结合纯提示词驱动与空间感知提示，可精确控制特效位置。构建Omni - VFX数据集验证其有效性，在复杂场景有高鲁棒性。

训练有效世界模型面临数据、任务难度、算力消耗和评估等难题。Meta研究者提出通用视频世界模型DINO - world，可预测未来帧，在多方面有优势，实验显示其性能显著，能降低对标注数据需求。

Mozilla AI开发的开源项目any-llm，解决多LLM提供商接口统一问题，能让开发者用一个接口调用不同大语言模型。它吸取此前产品长处，有统一接口等优势，使用和安装简单。

传统文档检索系统处理视觉信息丰富的文档存在瓶颈，ColPali方法直接从文档页面图像生成多向量嵌入，简化流程、提高性能、降低延迟。ColQwen - Omni在其架构上扩展到图文+音频多模态匹配。

上海人工智能实验室与新加坡南洋理工大学合作研发 Evaluation Agent，它能按需评估视觉生成模型，有可定制、高效率等优势。框架分提案和执行两阶段，评估结果佳，未来将拓展功能。

生成可动物体是具身智能等领域关键挑战，现有方法有局限。北大团队提出DreamArt框架，从单张图像生成可交互可动物体，经三阶段流程，表现优于基线方法，不过也存在生成不符物理规律等问题。