「视觉语言导航」共找到 1627 篇相关文章
性能碾压GPT-4.1-mini！Mistral开源Devstral，还能在笔记本上跑
法国AI初创公司Mistral与All Hands AI合作，发布全新开源语言模型Devstral，有240亿参数，所需算力低，可本地部署。它能解决真实GitHub问题，在SWE基准测试中表现优于多个模型，还能通过API访问。
追忆左耳朵耗子
本文追忆技术人左耳朵耗子，讲述其创业故事，包括创业契机、方向选择等，还分享技术见解，如选技术语言、积累技术等，探讨成长问题，如996、大小公司权衡等，最后推荐书籍并谈对年龄危机看法。
RL训练总崩溃？R1-Reward稳定解锁奖励模型Long-Cot推理能力
多模态奖励模型对提升多模态大语言模型表现至关重要，但强化学习在奖励建模应用有挑战。快手等团队提出R1 - Reward，解决训练不稳定等问题，在基准上超SOTA模型，还在快手业务场景成功应用。
Gemini 2.5 Pro强势更新并霸榜，Claude 3.7首次遭遇全方位碾压！
Google DeepMind推出的Gemini 2.5 Pro在LMArena各大排行榜全面登顶，实现文本、视觉、Web开发全方位霸榜，编码能力也大幅升级。虽有质疑，但短期内难有对手，还引发对Google I/O大会更多惊喜的期待。
连续自回归的dots.tts：小红书开源语音合成模型「基座」
语音合成赛道发展如早期大语言模型，路线未收敛。小红书与上海交通大学合作开源的 dots.tts，是 20 亿参数、全连续、端到端自回归 TTS 基础模型，有准确度高、可扩展等特点，还开源了代码。
Codex给V4-Flash装上眼睛，DeepSeek也会文档OCR
GitHub上的项目codex-vision-proxy让接进Codex的DeepSeek能看图，不用换模型或等官方，装本地代理即可。它还附带视觉工具包，在智能文档解析和OCR上潜力大，证明多模态能力可长在管道上。
评论送书 | 想系统了解AI？先搞清楚这四件事
文章围绕系统了解AI需搞清楚的四件事展开，介绍了AI理论基础层的机器学习和深度学习，感知交互层的计算机视觉等，应用实践层的机器人学等，还提及伦理社会层的AI伦理和社会影响研究。
AI可以用任何手段、写任何东西，但你得是个“中年老登”
PingCAP 黄东旭称做 db9 项目未看到 AI 边界，语言、框架、数据库选型不再长期锁定，AI 能写任何软件。徐昊认为软件知识比代码重要，‘重写’概念或过渡。滕昱指出 AI 需‘老登’掌舵，企业软件维护仍存难题。
Insanely Fast Whisper：开源社区让音频转录速度提升19倍
Insanely Fast Whisper工具将OpenAI Whisper转录速度提升19倍，采用Flash Attention 2技术，零质量损失。它集成多语言支持、说话人分离等实用功能，还支持跨平台，免费运行。最初是基准测试demo，值得音频处理用户关注。
UIUC清华微软联合提出PlugMem：当Agent记忆告别「经历」，开始存储「经验」
随着大语言模型Agent长期运行，‘记忆该如何设计’成核心问题。UIUC、清华、微软联合提出PlugMem，将记忆拆分为三类，以知识为单位存储，在三类任务中验证其有效性，为Agent长期记忆设计提供新思路。