搜索：视觉推理能力

「视觉推理能力」共找到 4887 篇相关文章

ScreenCoder：视觉-代码对齐新范式，为多模态程序合成开辟道路

前端开发中UI转代码耗时易错，现有工具存在不足。ScreenCoder提出模块化多智能体框架，通过三阶段分工协作实现代码生成，还构建数据引擎推动VLMs进化，实验表现出色，为多模态程序合成开辟道路。

具身智能领域尚未迎来「GPT时刻」，现有模仿学习范式有缺陷。字节跳动与阿德莱德大学研究者提出「动作链」（CoA）策略，通过轨迹自回归建模解决累计误差，提升泛化性，实验效果显著。

谷歌推出'gemini-fullstack-langgraph-quickstart'开源项目，用Gemini 2.5与LangGraph结合，可构建本地运行的深度研究智能代理系统。介绍其技术架构、工作流程、开发配置、部署扩展，还展示了现代AI应用开发趋势。

9月1日，Anthropic发布Claude Fable 5.1和Claude Mythos 5.1，二者用相同底层模型，区别在安全限制和开放范围。Fable面向订阅用户和企业，Mythos仅向少数审核机构开放，此次还尝试新的开放方式。

当下AI智能体处理办公文档有问题，需依赖复杂库或安装庞大软件。Github上的轻量级工具`OfficeCLI`，让AI智能体通过命令行控制办公文档，实现自动化办公，功能强大且使用方便。

Lyft 实现 AI 驱动的本地化系统，加速应用与网页内容翻译。新系统结合大语言模型、自动评估与人工审核，将翻译周期从数天缩至分钟级，兼顾质量与适配性，还分批量和实时翻译架构处理不同场景。

苹果将Transformer改造成Mamba，采用‘两步走’策略，先造中间形态，再转成Mamba，避免性能崩塌。实验显示，新方法性能几乎没掉，成本逻辑改变，为模型降本重构提供新可能。

南洋理工、北航与合工大联合提出CARE Transformer，以非对称解耦建模局部与全局，降低计算开销、提升特征表达。实验显示其在移动端低延迟高精度，打破“效率与精度不可兼得”困局。

英伟达发布并开源120B参数的MoE模型Nemotron 3 Super，在多项测试中表现出色。它原生支持100万token上下文，吞吐量大幅提升。英伟达还计划五年投260亿美元构建开源AI模型，开放全参数权重等。

OpenClaw发布2026.3.8版本更新，聚焦安全性与bug修复。关键更新有ACP来源验证，让代理确认指令来源；更新前自动创建配置快照，可回滚设置。还修复了Telegram重复回复等问题。