搜索：图像理解与生成

「图像理解与生成」共找到 2974 篇相关文章

让大模型“边看边改”，视觉分割准确率直接上涨9% | ICML 2026

复旦、创智联合推出RSAgent，让多模态大模型通过多轮工具调用生成准确掩码，解决视觉分割难题。该工作入选ICML 2026，实验显示其在多个测试集上表现领先，还展示了从‘看图问答’到‘视觉行动’的路径。

腾讯开源的Agent框架Youtu - agent灵活高性能，可用于数据分析等多任务。基于openai - agents构建，适配多种模型API等。突出优势是能自动化生成智能体及其配置，采用YAML配置方案，有内置‘元智能体’，还完全异步。

在a16z播客节目中，“AI教母”李飞飞讲述创业经历。五年前眼伤失立体视觉，让她意识到其对空间交互的决定性作用。她认为真正通用智能需理解物理世界，与Martin Casado一拍即合创立World Labs，加速世界模型突破。

资深科技记者Karen Hao新书《Empire of AI》出版，496页巨著撕开OpenAI真实面貌。书中把其比作殖民帝国，揭露生成式AI繁荣背后隐形成本，还记录其从理想到现实转变、GPT - 3背后故事及2023年董事会政变等。

文章介绍了AI编程产品分类，指出Vibe Coding存在的问题。重点讲述Figma在2025 Config发布Vibe Coding产品Figma Make，其可从设计稿生成网页，有编辑工具精准迭代等功能，还推出可视化低代码建设工具Figma Site。

自媒体内卷，‘视频转图文’是流量入口，简单截图难满足需求。clipsketch - ai 开源项目用 Gemini 3 Pro 和 Nano Banana Pro 模型，实现视频理解、AI 绘画和写作自动化，解决创作者素材整理、版权等痛点。

2025 年 12 月 3 日，「甲子光年」举办年终盛典，科技产业投资专场圆桌对话探讨早期投资从“赛道思维”到“认知红利”转变。英诺王晟主持，红杉张涵等嘉宾参与，指出决胜点在对人、周期和非共识的理解。

为对抗谷歌的Gemini 3，OpenAI推出GPT - 5.2。大神Matt Shumer深度评测，指出其指令遵循、代码生成、视觉和长上下文等能力有提升，但速度慢。与Claude Opus 4.5、Gemini 3 Pro各有分工。

arXiv因AI生成论文泛滥，禁止接收未经同行评审的综述和立场论文。而18所高校联合发布的aiXiv平台，支持AI和人类共创科研成果，采用多阶段AI同行评审机制，引发对传统学术体系的反思。

文章从工程师视角剖析现代搜索，指出传统搜索难适应多模态内容世界。快手推出 UniDex 和 UniSearch，前者变革搜索倒排，后者为统一生成式搜索架构，二者成快手新一代工业搜索‘双引擎’，有广阔应用前景。