「通用视觉推理」共找到 3106 篇相关文章
告别「面瘫」配音，InfiniteTalk开启从口型同步到全身表达新范式
传统video dubbing技术有局限，新兴模型也有问题。美团视觉智能部研发的InfiniteTalk引入‘稀疏帧video dubbing’，实现口型、表情、肢体与音频自然对齐，解决长视频生成难题，技术已开源。
R1时代，RAG-Retrieval技术总结与展望~
RAG - Retrieval提供全链路RAG检索模型微调、推理及蒸馏代码，支持多模型、多loss和训练方式。还发布模型技术报告，设计评估框架，未来探索RL在检索领域应用。
Transformer祖传设计遭暴击，COLM顶会三篇论文发难
COLM 2026上，三篇论文对Transformer关键技术发难。《Cracks in the Foundation》指出长上下文架构选择影响大；《Lost in Backpropagation》揭示输出投影层信息损耗严重；《When Fewer Layers Break More Chains》表明层剪枝影响长链推理。
Claude Code 作者：别再沉迷功能堆砌了！最好的 AI 工具，是把控制权还给你
Claude Code 创造者 Boris Cherny 提出“极简主义哲学”，认为最好的 AI 工具应是简单、通用、无偏见的“乐高积木”，把控制权还给用户。还回顾编程发展，介绍开发体验进化及 Claude Code 工作流。
美团开源Agentic新王，速度拉满，工具调用打爆Kimi？
周末美团开源LongCat - Flash大模型，参数量560B，推理速度达100 token/s，成本低，在Agent工具调用表现超Kimi - K2。它有Zero - Computation Experts和ScMoE创新，不过市场表现未获太多认可。
腾讯混元TurboS技术报告首次全公开：560B参数混合Mamba架构，自适应长短链融合
腾讯公开混元TurboS技术报告，该模型是超大型Hybrid Transformer - Mamba架构MoE模型，融合Mamba与Transformer架构优势，有自适应长短思维链机制，激活参数56B。在多评测中表现佳，推理成本低。
Karpathy刚进Anthropic，转头又投了它
AI初创公司Engram成立8个月，估值达6亿美金，获9800万美元融资。它聚焦AI记忆，用Cartridges技术降内存、提速度，将推理和记忆层拆开，团队成员背景强大，押注AI范式新转向。
14.7M参数，小目标AP达到13.9%！FSDETR用频空融合重新定义目标检测
传统小目标检测问题多，2026年4月FSDETR论文提出频空融合法，用14.7M参数获13.9% APS成绩。它有SHAB、DA - AIFI、FSFPN三个核心模块，还给出训练、推理及导出ONNX部署代码。
藏师傅开发的 Codepilot 保姆级入门攻略
本文是藏师傅开发的 Codepilot 全平台通用开源 Agent 客户端的保姆级入门攻略，介绍了其特色功能，涵盖安装、配置服务商、聊天、技能使用等方面，助读者快速上手。
告别噪声初始化：NTU MARS Lab提出A2A新范式，实现机器人高性能单步动作生成
新加坡南洋理工大学 MARS Lab 提出 Action-to-Action (A2A) Flow Matching 新范式，以历史机器人轨迹为生成起点，打破生成速度与精度瓶颈，在训练效率、推理速度及泛化表现上佳，还可扩展至视频生成领域。