「视觉功能」共找到 2167 篇相关文章
Omni-Effects：首个统一多特效生成框架
Omni-Effects是面向多样化定制视觉特效生成的统一框架，结合纯提示词驱动与空间感知提示，可精确控制特效位置。构建Omni - VFX数据集验证其有效性，在复杂场景有高鲁棒性。
LeCun出手，造出视频世界模型，挑战英伟达COSMOS
训练有效世界模型面临数据、任务难度、算力消耗和评估等难题。Meta研究者提出通用视频世界模型DINO - world，可预测未来帧，在多方面有优势，实验显示其性能显著，能降低对标注数据需求。
ICLR 2025新成果：文档检索“降本增效”，从此“开挂”
传统文档检索系统处理视觉信息丰富的文档存在瓶颈，ColPali方法直接从文档页面图像生成多向量嵌入，简化流程、提高性能、降低延迟。ColQwen - Omni在其架构上扩展到图文+音频多模态匹配。
ChatGTP 发布 Agent 了，但我更推荐 MiniMax
作者受邀内测 MiniMax Agent 新功能，体验用其搭建 AI 资讯聚合网站，无需写代码，两小时搞定。该产品全栈开发功能强大，有 MCP 生态，多模态能力出色，对比 ChatGPT Agent 更具优势。
马斯克AI女友上线24h爆火，全球宅男连夜充值！月费30刀隐藏模式杀疯
马斯克xAI的Grok上线AI伴侣新功能，哥特风二次元女友Ani爆火，月费30刀，有隐藏模式。xAI开辟新赛道，但AI伴侣方向有争议。此外，Grok曾陷入风波，现又将进驻美国国防部。
仅2G内存可跑，刚刚，谷歌开源Gemma 3n，端侧原生多模态！
谷歌全面发布Gemma 3n，将多模态AI功能带入边缘设备并在Hugging Face开源。它原生支持多模态输入输出，针对设备端优化，内存占用低，采用开创性架构，Gemma系列质量也不断突破。
Nature报道：谷歌新模型1秒读懂DNA变异！首次统一基因组全任务，性能碾压现有模型
谷歌DeepMind团队推出生物模型AlphaGenome，能从1兆碱基DNA序列中预测数千种功能基因组特征，评估变异效应。它统一多任务，性能超现有模型，是生物领域里程碑，将助力理解疾病。
Google 错放大招！Gemini CLI 开源+免费，Claude Code瞬间不香了......
Google悄悄发布开源免费的命令行AI开发工具Gemini CLI，免费用户每天1000次请求、每分钟60次。它功能强大，是完整AI代理，还与Gemini Code Assist配合，或改变coding游戏规则。
字节开源多模态复杂文档解析模型！Dolphin：页面与元素并行解析，精准解析复杂文档！
多模态AI与文档解析兴起，传统OCR解析复杂文档常出错。字节跳动开源多模态模型Dolphin，通过两阶段机制精准解析，有多种功能，安装使用友好，适用于多场景，降低了复杂文档解析门槛。
Arc浏览器创始人复盘：为何放弃百万用户及产品，押注AI浏览器？
Arc浏览器曾是新星，有上百万高粘性用户。2024年10月创始人透露将开发新AI-Native浏览器Dia，Arc进入维护状态。创始人复盘Arc错误，阐述转型原因，认为传统浏览器将消亡，Dia有机会成桌面端主流AI界面。