「视觉 Agent」共找到 3269 篇相关文章
华为Doc-Researcher 布局感知+视觉语义双杀
现有深度研究系统依赖文本网页数据，忽视多模态文档知识。华为Doc - Researcher系统解决多模态文档解析不足、检索策略有限、缺乏深度研究能力等问题，含多模块，能处理复杂多模态任务。
综述：LLM 驱动AI Agent通信协议与策略
文章指出传统互联网用户完成行程繁琐，而代理互联网可让代理自动完成。随着LLM驱动智能体应用深入，其发展专业化，需多智能体协同，有效通信成关键。介绍了智能体通信定义、分类及多种通信协议。
苹果新作：内化视觉思考，推理提速 5 倍
Apple研究团队提出Internalized Visual Thinking（IVT），一种将预测性世界建模能力内化到模型表征中的后训练框架。它在训练时预测未来，推理时直接回答，相比Visual CoT推理提速超5倍。
吴恩达开新课教OCR！用Agent搞定文档提取
随着AI大模型发展，OCR重新成为技术专项，DeepSeek、智谱、阿里千问和腾讯混元等都在研究。吴恩达开新课，提出智能体文档提取（ADE）方案，准确率达99.15%，还给出本地和云端部署线路。
Google发布2026 AI Agents五大变革趋势
Google Cloud《2026 AI智能体趋势报告》，基于全球3466家企业调研揭示五大核心趋势，包括人人拥有智能体释放创造力、驱动工作流、重新定义客户体验、安全主动防御及人才升级等，凸显以人为本的AI变革。
Feed-Forward 3D综述：三维视觉如何「一步到位」
这篇由12所机构联合撰写的综述论文，总结2021 - 2025年间数百项创新工作，建立Feed - Forward 3D方法谱系与时间线，介绍五大技术分支、应用场景、评测指标与结果，还指出未来挑战与方向。
OpenAI 万字报告： 不要再卷Agent了~
OpenAI《How People Use ChatGPT》报告显示，73%的ChatGPT用途与工作无关，用户多将其用于实用建议、信息查询和写作。Asking对话占比及满意度更高，机会藏在人类惰性里。
「AI黑客」来袭，Agentic AI如何成为新守护者？
AI 发展带来网络安全新威胁，如生成式 AI 诈骗、深度伪造等。业内共识是以 AI 对抗 AI，有模型防护、行业应用、政府协作三类尝试。青藤云安全推出全栈式安全智能体「无相」，革新安全思维。
争夺 Agent 市场，微软的押宝点竟是「情商」？
微软AI CEO Mustafa Suleyman接受访谈，分享AI未来见解，探讨情商重要性等问题。他推动AI从功能向人性化发展，认为AI是伴侣非仅工具，强调情感连接，还提及Copilot靠情商打差异化等。
Meta首个Agent生图模型登场，空降竞技场第二
Meta超智能实验室推出图像生成模型Muse Image，引入智能体机制，能编写代码、网络搜索，有自主修正能力，支持算力扩展、多轮编辑与画面合成。还预览了Muse Video，两模型均与Meta产品深度整合。