「视觉框架」共找到 2184 篇相关文章
SimpAgent (ICCV2025 Highlight)：上下⽂简化重塑GUI智能体，更少计算，更强性能
在多模态大模型加持下，纯视觉GUI智能体成通用操作智能体重要方向，但面临元素与历史上下文问题。哈工深和华为提出SimpAgent，从上下文简化建模入手，实现更快更强性能，工作被ICCV 2025录用。
Prompt | 人生金句炼金术师
作者分享“人生金句炼金术师”提示词，用其将平凡瞬间转化为哲理金句，如“想减肥没开始”“等红绿灯”等场景。给出不同风格卡片提示词，实测Gemini 2.5 Pro效果更好，还介绍了动态视觉图谱提示词。
多模态大模型不会画辅助线？最新评估得分：o3仅25.8%，远低于人类82.3% | 清华腾讯斯坦福联合
清华、腾讯、斯坦福等团队发布RBench - V基准测试，评估大模型视觉推理能力。结果显示，主流大模型如o3、Gemini2.5等准确率远低于人类，开源模型表现更差，暴露出大模型在复杂多模态推理任务中能力不足。
高精度全身操控！从文本输入生成全身操控物体的动作
物体操控的整体动作生成是具广泛应用但极具挑战的任务，核心挑战在于手部与身体协调及关节式物体操控精度。香港大学提出协同扩散噪声优化框架CoDA，优化三个专用扩散模型，还采用BPS统一表示提高交互精度。
5秒完成3D场景编辑，北大&港中文&上海AI Lab搞出VGGT-Edit，120倍加速太炸了
北大、港中文等团队提出原生3D编辑框架VGGT-Edit，不再绕回2D，直接在3D空间编辑。它采用残差场预测等机制，在DeltaScene测试集表现出色，单次编辑约5秒，最高120倍加速。
CMAME | 西安交通大学海春龙、梅立泉等：基于分层神经网络的在线多保真度数据融合
在工业应用中，高保真数据获取成本高，低保真数据准确性不足。本文提出基于分层神经网络的在线多保真度数据融合方法（OMA - HNN），含MA - HNN和在线渐进采样框架，经测试验证了其有效性和实用性。
一个能思考、会记忆的AI导演诞生了！新加坡管理大学，香港中文大学等实现故事化视频生成
新加坡管理大学等提出开源全能多智能体框架UniVA，可统一视频理解、分割等能力，按指令生成完整故事视频。还引入UniVA - Bench基准测试套件，实验显示其在多任务中表现出色，代表视频智能生成重要进步。
从Demo到行业落地的Agents：技术、应用与评估
通用LLM Agent工业落地有短板，哈工大深圳与华为提出L1 - L5工业Agent能力成熟度框架，映射技术演进与产业场景，覆盖50+行业案例、300+评测基准，给出可量化‘爬级’路线。
字节&MAP重塑大模型推理算法优化重点，强化学习重在高效探索助力LLM提升上限
强化学习虽提升大语言模型表现，但面临探索难题。字节跳动等团队提出FR3E框架，分两阶段重建探索机制，在多数学推理基准实验中显著优于强基线，为大模型强化学习提供新范式。
多模态后训练反常识：长思维链SFT和RL的协同困境
华为与香港科大研究发现，多模态视觉语言模型中，长思维链SFT与RL组合难协同增益。研究引入难度分类方法构建数据集，分析各方法表现及组合策略困境，还给出实验发现与未来研究方向。