「视觉 Agent」共找到 3269 篇相关文章
对话关梦龙：他想用 Agent 拯救你手机里的 100G 废片
前字节跳动剪映早期成员关梦龙，正开发AI编导产品“Cutto”，让AI参与内容生成，降低普通人创作门槛。他认为AI虽提升生产力，但创业竞争更激烈，产品成功需看用户能否持续使用。
文本已死，视觉当立！Karpathy狂赞DeepSeek新模型，终结分词器时代
DeepSeek新成果DeepSeek - OCR以像素处理文本，压缩率小于1/10，基准测试领跑，开源一夜获4.4k星。Karpathy力挺，认为应赶走分词器，展望视觉成通用输入前景，马斯克有更科幻猜想。
刷屏了！开源 2 天斩获 41K+ 标星！这个 OpenAI 赞助的 AI 终端 Warp 开源了！
Warp宣布开源，不到24小时GitHub Star数达3.5w+，现超41K。它从现代终端演变成Agent化开发环境，由OpenAI赞助。采用双轨制开源协议，推出“Agent优先”工作流，同步产品升级。
DeepSeek-OCR是「长文本理解」未来方向吗？中科院新基准给出答案
DeepSeek-OCR的视觉文本压缩技术降低长文本处理成本，中科院自动化所等团队推出VTCBench基准测试评估模型视觉认知，含三大任务及衍生版本，测试结果有‘U型曲线’，还评测多种尖端模型。
Hugging Face开源nanoVLM，750行代码可训练视觉语言模型，简单到令人发指！
Hugging Face开源全新视觉语言模型框架nanoVLM，仅750行代码就能从零训练高效能VLM模型。它在单张H100 GPU训练6小时后，在MMStar数据集准确率达35.3%，且能在免费Google Colab跑。
镜头被油污糊住，机器人还稳定操作？北大/清华等给VLA加一道信息筛选，不靠额外数据，效率提升14x，真机鲁棒性反而更高了 | ICML 2026
北大、清华等机构联合提出StableVLA，相关工作被ICML 2026接收。该工作提出轻量级IB - Adapter，不依赖额外数据对视觉特征筛选对齐，让机器人遇视觉干扰仍能稳定执行任务，实验展现出鲁棒性提升。
智能体工程的演进：从“是否”到“如何” | 2025年AI智能体状态调查报告【PPT】
进入2026年，企业对AI Agent关注点从构建尝试转向规模化稳定部署。LangChain公司年底发布《AI Agent现状报告》，基于对超1300位相关人员调研，展示智能体工程化图景与趋势，本文拆解报告精华。
OpenAI祭出GPT-5.4神装！Codex同款Harness全面开放
OpenAI重写Agents SDK架构，将其从‘聊天机器人玩具’变为‘生产级Agent底座’，原生收编七大沙盒，还把Codex经验产品化塞进SDK，这冲击了第三方框架，也让沙盒供应商纳入其生态。
ChatGPT智能体正式发布，多个创业赛道昨夜无眠
OpenAI正式发布ChatGPT Agent，将思考与执行能力统一，可接管电脑，能处理工作和生活多种事务。它优化后能力达SOTA，但也有风险。这或重塑互联网，让Agent创业者重新审视竞争力。
P图老本事搭上了对话框，美图这AI Agent到底香不香？
本文对美图AI Agent RoboNeo进行实测。它web端操作简单，生图和p图功能丰富，拆分图层功能好用，工作流能辅助创作。不过它生成速度慢，视频生成有画面逻辑、文字生成等问题。其开发节奏快。