「视觉功能」共找到 2158 篇相关文章
谷歌照片新增AI功能，可将不同风格照片变成视频
谷歌在官网宣布，谷歌照片推出新AI功能，可将照片转换为视频或重新混合成不同风格，如动漫、漫画等。操作简单，还推出新创建标签页集中工具，且添加水印和安全措施。
警告：你的Agent可能无法"解决"真实世界的视觉问题
文章提出 AgentVista 评测基准，含 209 道任务，横跨 7 大领域 25 个子方向。评测 14 个主流模型，最强的 Gemini - 3 - Pro 准确率仅 27.27%，揭示多模态 Agent 在视觉理解、工具调用等方面挑战大。
NVIDIA 开源 Live VLM WebUI：摄像头实时测试视觉语言模型
NVIDIA 开源 Live VLM WebUI，可让用户在本地用摄像头实时测试视觉语言模型。它基于 WebRTC 技术，能将摄像头视频流实时传输给模型，分析结果叠加在画面上，支持多后端、多平台及多种模型。
实测对比！扣子空间播客功能完爆 NotebookLM，覆盖场景更大
多模态是大模型热门应用概念，文本生成语音赛道受资本青睐。作者实测对比扣子空间和NotebookLM，发现扣子空间播客功能更优，能精准拿捏尺度，覆盖场景大，还能做旅行攻略、生成网站等。
GPT-5.6 Sol暴涨3倍，OpenAI最强视觉AI登顶！
第三方评测机构Roboflow测试显示，GPT-5.6 Sol在目标检测、计数等视觉任务上表现出色，尤其在文档版面识别和密集场景处理上进步明显，但认字能力有退步，且大尺寸图片检测框易飘移。
视觉+语言+动作！超强具身“训练宝典” EmbRACE-3K
视觉 - 语言模型在具身环境中表现有局限，港大推出 EmbRACE - 3K 数据集应对。它含 3000 多个任务、2.6 万个决策步骤，有细致多模态注释。团队用其微调 Qwen2.5 - VL - 7B 模型，还建立新基准评估多个模型。
视觉生成的另一条路：Infinity 自回归架构的原理与实践
本文整理自字节跳动韩剑在AICon 2025北京站的分享，以Infinity为例介绍自回归视觉生成原理，对比其与扩散模型，展示Infinity升级方案成果，它在高分辨率文本到图像任务能与扩散模型竞争。
苹果计划明年为Siri引入AI搜索功能，可能采用Gemini模型
据彭博社报道，苹果计划明年为Siri引入AI驱动的网络搜索功能，称“世界知识答案”，将以多媒体形式汇总结果。苹果正测试Google模型，或由其提供支持，此前还考虑过Anthropic的Claude模型但未达成协议。
视觉模型既懂语义，又能还原细节，南洋理工&商汤提出棱镜假说
南洋理工与商汤团队提出 Prism Hypothesis（棱镜假说）与 Unified Autoencoding（UAE）。论文指出视觉基础模型中语义理解和像素保真很难兼得，用频率谱统一视角解决冲突，UAE 实验效果良好。
拒绝「盲修」：JarvisEvo 如何让 Agent 像人类一样拥有「视觉反思」能力？
现有 Image Editing Agent 缺乏视觉反馈，易致「指令幻觉」和 Reward Hacking。JarvisEvo 应运而生，它通过 iMCoT、SEPO、On - Policy Reflection 等技术，结合 ArtEdit 数据集和三阶段训练，在修图上表现出色，意义超图像编辑。