「视觉推理功能」共找到 3979 篇相关文章
让机器人看视频学操作技能，清华等全新发布的CLAP框架做到了
近日，清华联合星尘智能、港大、MIT提出 CLAP 框架，能将视频运动空间与机器人动作空间对齐，解决‘数据饥荒’‘视觉纠缠’等问题，可让机器人从视频学技能，还缓解知识迁移难题，推动机器人产业化。
源神阿里！图像生成Ovis-Image再开源，7B小参数媲美GPT-4o和20B开源模型
阿里Ovis团队发布Ovis - Image，7B参数文本到图像模型，在文本渲染任务媲美GPT - 4o和20B + 开源模型。它架构优化、数据工程精细、训练范式独特，实测数据表现佳，显存占用低、推理快。
谷歌开发者大会炸场！Agent重磅升级， A2A、SDK大更新
今天凌晨谷歌召开‘I/O 2025’开发者大会，对Agent智能体重磅升级。A2A协议更新，新增关键功能，还发布官方Python SDK；生态持续扩大，多家名企加入。此外，发布Agent Engine UI，升级Agent SDK，增强Project Mariner能力。
2025年如何学AI？如何用好AI？
文章围绕2025年学AI、用AI展开，作者黄益贺分享问答，涵盖学习指引、工具使用、产品赛道选择等多方面内容，如建议新手边用边学，对比不同工具功能，还分析了各模型和工具的特点与适用场景。
Cloudflare 推出 Agent Tracing：支持截断限制，不同框架的 Payload 默认记录策略存在差异
Cloudflare推出Agent Tracing，可提供统一Dashboard查看已部署Agent会话。该功能在现有Workers Tracing基础上增加Agent级别的Span，有收费时间表。不同框架Payload默认记录策略有差异，Trace有截断限制。
爆火开源！让《魔兽争霸》里的牛马Peon提醒你氛围编程状态，开发效率提高50%
peon - ping是Agent专用开源通知工具，可在多种AI编程环境监听关键事件，通过游戏角色语音、桌面横幅等提醒开发者。还支持MCP、手机推送，有提醒运动附加功能，提升AI编程体验。
Obsidian 重度用户狂喜！13000+ Star 的 AI 编程助手直接嵌入知识库！
Obsidian 重度用户常为海量笔记整理发愁。Claudian 可将 AI 编程助手嵌入 Obsidian 知识库，支持多种 AI 工具，有文件读写、搜索等功能，还具备行内编辑、@提及引用等亮点，安装也很方便。
我有听书障碍，但被这个 AI 电台拿捏了
作者曾有听书障碍，却被 Huxe 这款 AI 音频 App 吸引。它由 Google 团队打造，能将邮件摘要、新闻等生成“私人电台”。有个性化简报、自定义音频内容等功能，集成 ASR、NLP 和 TTS 模块。
深夜炸场！Claude Sonnet 4.5上线，自主编程30小时，网友实测：一次调用重构代码库，新增3000行代码却运行失败
Anthropic推出Claude Sonnet 4.5，号称‘世界上最好的编码模型’，持续运行时长、推理等能力提升，‘幻觉’等问题改进，Claude Code也有更新，开发者实测有惊喜也有问题，新一轮AI‘内卷’开启。
天下武功，唯快不破：LLM高效架构最新最全面综述
大型语言模型虽成就辉煌，但训练成本高、推理延迟大，核心问题源于Transformer架构。这篇综述论文首次系统性梳理高效LLM架构创新方案，分类七大类方法，延伸至跨模态应用，为研究者提供‘效率蓝图’。