「视觉 - 语言智能体」共找到 4659 篇相关文章
深度机智和他们的另一条路：用人类第一视角数据训练基座模型｜甲子光年
3月27日，深度机智联合推出具身通用智能基座模型系统PhysBrain 1.0，引入人类第一视角数据，解决传统模型问题。其创始人陈凯等坚持用此数据构建模型，突破传统，引领行业新方向，且中国在具身智能领域或借此建立自主技术体系。
AI进化三年，产业落地真拐点可能就在这场全球顶尖金融智能赛事里
AI发展三年走到关键转向点，应用价值成关键。金融行业是AI应用复杂领域，AFAC2025金融智能创新大赛聚焦解决产业真问题，设百万奖金池，开放多赛道赛题，已开启报名。
Sam Altman 又被告了！65亿美元收购Jony Ive 公司背后的精心「偷盗」大戏
智能耳机创业公司IYO将OpenAI和Jony Ive告上法庭，称其抄袭创意、盗用商标。IYO从2018年开始研发无屏幕智能耳机，投入超6200万美元，而OpenAI今年5月以65亿美元收购的IO公司目标与之相同，发音也一样。
StereoAdapter：北大首提自监督，适配水下双目深度估计
水下机器人深度感知难题待解，北大等机构提出StereoAdapter框架。它结合单双目视觉，以自监督学习适配视觉基础模型到水下域，设计双阶段结构、自监督训练策略等，实验效果好，未来还将多方面改进。
DeepSeek-R1推理智能从哪儿来？谷歌新研究：模型内心多个角色吵翻了
过去两年大模型推理能力跃迁，谷歌等机构研究指出，推理能力提升源于模型推理时隐式模拟类多智能体交互结构“思维社会”，还提出利用“群体智慧”新方向，并介绍了研究方法、实验结果等。
小红书提出DeepEyesV2，从“看图思考”到“工具协同”，探索多模态智能新维度
小红书推出多模态模型DeepEyesV2，它延续视觉推理优势，实现代码执行、网页搜索和图像操作的全工具协同。通过多工具协同推理解决复杂问题，采用两阶段训练策略，准确率远超开源模型。
谷歌之后，英伟达入局扩散大语言模型，Fast-dLLM推理速度狂飙27.6倍
大语言模型领域，推理效率制约实际应用。谷歌Gemini diffusion曾展扩散模型并行潜力，但开源扩散LLM推理慢。近日，NVIDIA等推出Fast - dLLM，无需训练即插即用，推理速度狂飙27.6倍，兼顾速度与精度。
具身智能是泡沫还是前夜？两位学霸选择“上天”与“要脸” ｜5Y View
本期是五源合伙人孟醒与微分智飞高飞、首形科技胡宇航的对话。二人没选主流赛道，高飞要为飞行终端造‘具身大脑’，胡宇航给机器人‘脸面’，这是让机器人进化的尝试。
同一天，百度、OpenAI双双发力高智能AI！先来实测一波原生全模态文心5.0
2025年，OpenAI凌晨更新GPT - 5系列，百度在世界大会发布文心5.0。它采用原生全模态统一建模技术，参数达2.4万亿，评测领先。实测表现佳，其技术在多方面突破，为大模型演进提供路径，助百度重回竞争中心。
ICCV 2025 | FDAM：告别模糊视界，源自电路理论的即插即用方法让视觉Transformer重获高清细节
针对视觉 Transformer（ViT）‘低通滤波’特性致细节丢失问题，北京理工大学等团队提出即插即用的 FDAM 模块。它受电路理论启发，能提升模型在分割、检测等任务性能，取得 SOTA 效果，有巨大应用潜力。