「视觉理解」共找到 1304 篇相关文章
评论送书 | 想系统了解AI？先搞清楚这四件事
文章围绕系统了解AI需搞清楚的四件事展开，介绍了AI理论基础层的机器学习和深度学习，感知交互层的计算机视觉等，应用实践层的机器人学等，还提及伦理社会层的AI伦理和社会影响研究。
Claude 终于能“看”视频了！这个开源项目让我刷视频效率翻倍
平时找视频信息效率低，而开源项目让Claude等大模型 “看懂” 视频，能提取画面、音频并理解内容。介绍了其工作原理、帧预算、去重、细节模式等，安装使用门槛低，还给出了应用场景和项目地址。
AI 时代的新可观测性：不只看系统崩没崩，还要看模型有没有胡说
New Relic首席技术战略官Nic Benders与主持人探讨可观测性从传统到AI驱动的演进，提及LLM与统计方法协同处理海量数据，还讨论了监控AI系统的难题及可观测性核心是理解业务目标。
ICLR 2026 | 机器人不够聪明？VLMgineer让大模型自己「发明工具」，从设计到使用全自动
宾夕法尼亚大学研究者提出 VLMgineer，一个全自动工具设计与使用框架，利用视觉语言模型和进化搜索，让机器人自主设计并使用工具。该工作已被 ICLR 2026 接收。实验显示，它在工具设计上优于人类提示和现有 Benchmark 工具。
TabClaw：让 AI 真正读懂你的表格数据
TabClaw 是面向表格数据的 AI 分析 Agent，能让 AI 真正读懂表格数据。它核心标签是全透明与持续进化，工作流分显式和隐式两层，目标是成为真正理解用户、能一起成长的表格分析伙伴，项目已开源。
CVPR 2026｜清华联合美团推出3DThinker，首个用3D意象思考的工作
当前多模态大模型在空间理解任务表现弱，缺乏对几何信息提取能力。清华联合美团推出3DThinker，无需3D标注和外部工具，让模型内蕴‘想象’三维场景，在多基准上提升效果，且具备一定可解释性。
长视频会议纪要、访谈节目精剪AI神器
WhisperVideo是用于长篇幅、多说话人视频的简洁演示系统，专为真实对话构建。它有SAM3视频分割、TalkNet主动说话人检测等功能，具备视觉关联说话人归属等特性，文中还介绍了安装、运行等内容。
不止是 Claude Code 平替：这个开源 CLI 还支持“多模型协作 + 子代理并行”
Kode 定位是在终端中完成代码库理解、文件编辑、命令执行等开发流程，有三大亮点：将多模型协作设为核心能力；支持 AGENTS.md 文档模式；终端体验好，有强大的补全系统。还介绍了使用方法和适用人群。
突然，被GLM-4.7的Coding交付能力惊到了
国内大模型圈因智谱启动A股上市而兴奋时，GLM系列再展“卷王”姿态，本月开源旗舰GLM - 4.7。它从代码大模型变为任务交付引擎，实测在多场景表现出色，能理解复杂意图、交付高质量代码。
刘鹏飞组发布上下文工程2.0：人机交互的全新视角
刘鹏飞组论文《Context Engineering 2.0: The Context of Context Engineering》重新梳理上下文工程领域。它追溯其20多年历史，给出形式化定义与四阶段模型，探讨关键问题，将其从技术技巧升为系统学科，为理解人机交互提供新视角。