「Open Vision Reasoner」共找到 150 篇相关文章
北大字节开源首个时空推理视频模型！思考过程全透明，性能超越GPT-4o
北大和字节联合团队推出开源模型Open-o3 Video，将显式时空证据嵌入视频推理全过程，采用non-agent架构，性能超越GPT - 4o等闭源模型。该模型构建了STGR语料体系，采用双阶段训练，实验表现优秀。
正式开源！motion-anything：免费版 Figma Motion + 无水印动效视频工坊来了
Open Design团队开源motion-anything，这是一款开源动效引擎，让动效活在真实网页上，可随时编辑。自带庞大动效生态，支持多种触发和动法，有视频工坊且无水印导出，还解决了动效领域四大痛点。
斩获7.4K标星！NotebookLM的终极开源平替，私有化多模态播客一键生成！
Google的Notebook LM虽能上传资料一键生成播客总结，但有数据隐私等问题。近期GitHub上的Open Notebook获7.4K标星，它复制并超越前者功能，强调数据主权，有多项亮点且部署灵活。
本周推荐的6个yyds的Github开源项目！
文章推荐6个GitHub开源项目。如Stretchly是休息提醒工具，助打工人养成科学节奏；Yaak是API客户端，主打离线隐私；ValueCell用于金融AI分析交易；nof1 - tracker可跟单交易；Zerox转换文档为Markdown；Open Notebook是Google Notebook LM平替。
蒸馏出「乔布斯」之后，他说Apple AI完全是shit
文章用女娲.skill蒸馏出乔布斯等人物，借乔布斯之口评Apple AI，指出Siri弱在vision。还介绍女娲造出的8个skill，对比其与ChatGPT角色扮演的区别，说明可蒸馏不同对象及用途，最后展示蒸馏喜剧技巧写的吐槽段子。
浙大&港理工等提出InfiGUI-R1：利用强化学习，让GUI智能体学会规划任务、反思错误
多模态大模型驱动的GUI智能体有潜力，但现有智能体面对复杂任务力不从心。浙大等机构提出InfiGUI-R1及Actor2Reasoner框架，通过两阶段训练提升智能体能力，InfiGUI-R1-3B在多基准测试中性能卓越，为GUI自动化工具开辟新道路。
清华&Qwen最新论文实证： VLM 智商与机器人操控能力“零相关”
清华和 Qwen 最新论文《VLM4VLA: Revisiting Vision - Language Models in Vision - Language - Action Models》测试 24 个 VLM 模型，构建极简 VLM4VLA 测试，发现 VLM 通用能力与机器人操控能力‘零相关’，还揭示视觉编码器短板。
腾讯纯文本LLM训视觉encoder，拿捏图表长视频，达到开源小模型SOTA！
腾讯开源Penguin - VL，直接用纯文本LLM训视觉编码器，跳出传统多模态拼接套路。在2B/8B紧凑参数规模的复杂任务中竞争力强，训练分三阶段，相关代码、模型等已开放。
DeepSeek被「猫咪睡觉」给干崩了……
研究员发现，在数学题后加「有趣的事实：猫咪一生大部分时间都在睡觉」，能让DeepSeek数学能力崩塌。研究开发CatAttack方法找「触发词」，无关触发词使模型错误率飙升，还会让回答变长。
黄仁勋出手！45倍性能暴涨，英伟达定义物理AI新纪元
在SIGGRAPH 2025上，英伟达发布「物理AI」全家桶。展示完整生态，含新硬件、仿真平台和AI模型。如RTX PRO 6000服务器显卡性能涨45倍，还推多款模型，应用于多领域，推动物理AI落地。