「视觉内容创作」共找到 1718 篇相关文章
小红书团队开源dots.ocr：文档解析新王者，性能比肩Gemini！
文档解析领域处理多语言复杂文档需高效能力，传统OCR工具存在不足。小红书HiLab开源多语言文档解析模型dots.ocr，基于1.7B参数视觉语言模型，性能达SOTA，单页PDF处理快，公式识别媲美大模型。
只提升2个点？我实测Claude 4.1后，发现官方在骗人
官方更新Claude 4.1，作者实测其与Claude4、DeepSeek R1在生成UI设计图、卡片、网页游戏开发等方面的能力。结果显示Claude 4.1进步大，尤其在理解提示词和视觉设计能力上，还能精细修改多文件。
仅需0.7秒单图像实时3D重建，开源扩散模型
单图像3D重建是计算机视觉难题，传统基于回归和生成式方法各有局限。Stability - AI开源SPAR3D模型，融合两种方法规避局限，仅0.7秒完成单图实时3D重建，实验显示性能显著优于其他基线方法。
多智能体在「燃烧」Token！Anthropic公开发现的一切
Anthropic发布多智能体研究系统构建解释，解决多智能体研究困惑。多智能体系统优势明显，在特定任务中表现出色，但token消耗大。其架构独特，还介绍了提示词工程、评估方法、面临的工程挑战等内容。
聊聊AI应用架构演进
本文按AI应用架构演进路线，介绍每次演进增加的架构内容及相关技术，涵盖从简易架构到Agent模式等各阶段，还提及监控、推理性能优化等，助读者整理新技术，为探讨AI与传统应用架构异同做调研。
DeepSeek R1 的小更新，却大有深意？
5月28日，DeepSeek低调宣布R1模型小版本试升级，API接口和使用方式不变，但未公布具体更新内容。从用户反馈看，语义理解、逻辑推理等能力提升，实测表现出色。此次升级或有安全、产品路线等考量。
ChatGPT转型计划曝光！不再只是回答问题，而是通过穿插使用工具变身行动助手
OpenAI CPO Kevin Weil在访谈中透露，ChatGPT将从回答问题转变为为用户做事，通过穿插使用工具解决复杂问题。当下模型成本已是GPT - 4的500倍，未来将不断降低API价格，还提及模型效率突破关键等内容。
深度剖析 MCP SDK 最新版： Streamable HTTP 模式正式发布，为你实测揭秘
MCP SDK 新版本 v1.9.0 发布，新增 streamable HTTP 传输模式。本文对该模式全面剖析与实测，涵盖快速上手、核心参数、session - id 等内容，还介绍开发服务端及多应用实例模式，指出新模灵活性提升但有不足。
解码提速15.1倍、多任务性能不降：复旦&引望WAM-Diff2打通自动驾驶VLA自回归—扩散转换
视觉-语言-动作（VLA）模型是端到端自动驾驶主流技术，但自回归解码架构有瓶颈。复旦大学与引望智能联合提出WAM-Diff2，实现自回归VLA向离散扩散模型迁移，解码加速15.1倍，多任务性能不降。
让AI自我进化，斯坦福新课免费教
斯坦福开设新课CS329A《自我进化AI智能体》，被奉为Agent学习新晋资源宝库。课程由实战派教授授课，介绍扩大模型规模、养成能听懂人话的AI、提升AI能力等内容，还探讨AI自我改进及智能体工作流等。