「单图像驱动」共找到 1528 篇相关文章
将思维链（CoT）引入具身世界，哪种路径能真正打通机器人「知行合一」？
文章围绕将思维链（CoT）引入具身智能领域展开。介绍CoT从语言层面到成为机器人行为核心认知机制的转变，分析分层架构与端到端模型两种技术路径，还阐述自变量机器人统一架构的优势和能力。
“看懂”指令并做动作！Motion-R1结合COT让角色动起来
大语言模型为文本驱动动作生成带来新可能，但现有方法有局限。GigaAI提出Motion - R1框架，融合“思维链”机制，能分解指令、优化动作合成，虽有不足，但在测试中表现优于主流方法。
12.6k，谷歌这个开源项目炸了，全栈AI Agent
谷歌开源的Gemini Fullstack LangGraph Quickstart项目两周冲到12.6k star。它是使用React前端和LangGraph驱动后端Agent的全栈应用程序，能对用户查询做全面研究，有多项特征及明确的后端工作步骤。
Liblib AI上线Kontext，门槛大幅降低！藏师傅手把手教你用它解决图片问题
FLUX的Kontext是强大的图像编辑应用，除不能写中文外近乎全能。Liblib AI上线FLUX Kontext，支持Web UI和Comfyui，无需本地跑Comfyui，还能结合Liblib生态处理图片。作者给出保姆级使用教程。
搜索Agent最新高效推理框架：吞吐量翻3倍、延迟降至1/5，还不牺牲答案质量丨南开& UIUC研究
大语言模型驱动的搜索智能体有能力但效率低。南开和UIUC研究人员剖析效率瓶颈，提出SearchAgent-X框架，实现吞吐量提升、延迟降低，且不牺牲答案质量，还揭示AI智能体平衡和等待问题。
Meta「轻量级」KernelLLM颠覆GPU内核生成，8B参数碾压GPT-4o
Meta推出基于Llama 3.1微调的8B参数KernelLLM，能将PyTorch代码转高效Triton GPU内核。实测单次推理性能超GPT - 4o和DeepSeek V3，多次生成得分更高，让内核开发更易上手。
“美国大豆包”Gemini翻身：输出速度碾压同行、智能水平重回第一梯队
过去 Gemini 被吐槽，如今 Google 推出 Gemini 3.8 Flash，六周内第三款 Flash、四个月内第四次更新。新模型成绩佳，输出快，成本低，智能体评测进步大，从经济型选项成生产主力，但实际表现待检验。
维纳智能登上Nature通讯：AI不只会回答问题，开始生成高精度行业数据
维纳智能登上Nature通讯，其让大模型自动生成高精度推理数据，用闭环反馈驱动专业Agent自主演化。该公司在多领域交出工业级精度答卷，还解决了Agent泛滥的困局，推出多款创新产品。
从超级个体到超级团队：AI 如何重塑企业软件生产力？｜2026 奇点智能产品大会专题前瞻
2026 奇点智能产品大会 7 月 17 - 18 日在北京举办，设「AI 驱动的软件生产力革命」专题，邀字节跳动、百度等团队实践者，探讨 AI 融入企业全价值链生产闭环，还准备了 AI 产品落地实战资料包。
单目3DGS迎来突破：影石开源UniSHARP实现全相机适配
影石研究院发布单目新视角合成模型UniSHARP，可通过单次推理秒级获场景高斯点云，支持混合相机训练与免标定推理，适配所有相机。团队还构建数据集、设benchmark，代码等均已开源。