「视觉语言理解」共找到 2161 篇相关文章
告别黑箱解释！首个潜变量自动解释框架 | CIKM'25
深度生成模型内部运作如「黑箱」，潜变量意义难捉摸。埃默里大学团队提出LatentExplainer框架，经数据扰动、智能提示、不确定性评估三步，为潜变量生成易懂解释，提升模型解释质量与可靠性。
刚刚，Figure 03惊天登场！四年狂造10万台，人类保姆集体失业
通用机器人曙光来临，Figure 03正式亮相，专为Helix「大脑」打造，手掌心有摄像头，指尖能感知3克力。其进化亮点多，未来四年将量产十万台，适用于家庭和商用场景。
科幻！谷歌放出Gemini Robotics-ER 1.5：机器人有了真正的思考力
谷歌推出首个广泛开放给开发者的机器人具身推理模型Gemini Robotics - ER 1.5，可作为机器人高级推理大脑。它能解决物理问题，有新能力如快速空间推理等，还能让开发者平衡延迟与准确性。
拒稿警告，靠大模型「偷摸水论文」被堵死，ICLR最严新规来了
ICLR 2026出台大语言模型使用政策，规范作者与审稿人使用LLM做法，明确需如实披露使用情况并担责，违规将受处罚。其他顶会如NeurIPS、ICML等也有相关规定。
从需求分析到代码生成，LLM都能干点啥？一文读懂291个软工Benchmark！
大语言模型重塑软件工程各环节，但缺乏评估其在该领域表现的系统工具。浙江大学等机构团队首次对291个软件工程Benchmark系统综述，分析现状、痛点并给出改进方向。
InfiniteTalk：音频驱动的从口型到全身动作同步方法
近年来视频AIGC推动音频驱动人体动画变革，但传统视频配音局限口部。中国科学院大学提出稀疏帧视频配音范式，推出InfiniteTalk生成器，结合多种技术实现全身动作与音频同步，实验表现突出。
AI 创业，需要重读 Paul Graham 的「创业 13 条」
2009年YC创始人Paul Graham发表《Startups in 13 Sentences》，虽时间久远但核心观点不过时。创业者Chris Saad、Yaniv Bernstein结合经验和当下环境，剖析这13条创业原则，涵盖选联合创始人、快速发布产品等内容。
深度解读《AI 智能体的上下文工程》：构建高效 Agent 的七个宝贵教训
作者解读 Manus 团队文章，结合自身理解总结出构建高效 Agent 的 7 个关键点，如依赖上下文工程、提升 Prompt 缓存命中率等，还给出总结与核心启示，对 Agent 开发有借鉴意义。
垂直赛道 Agent 闷声发财指南：如何实现一年超千万营收？
本文围绕垂直赛道的2B Agent展开，分享了语核科技创始人的产品理念与经验，探讨了如何找到有价值的场景、构建高价值闭环。还介绍了客户的应用情况、对Agent的看法及选型考量，强调其商业价值与落地挑战。
ICML 2025 | 多智能体的ChatGPT时刻？上交MAS-GPT实现工作流一键生成
上海交通大学等机构推出 MAS - GPT，提出生成式 MAS 设计范式，可一键生成可执行的 MAS。它解决了现有 MAS 方法无适应性、成本高、泛化性低等问题，实验显示其表现出色，未来潜力大。