「视觉语言理解」共找到 2161 篇相关文章
OiiOii意外走红背后：为何10万人排队等一个不完美的AI Agent？｜甲子光年
OiiOii是成立不到半年、团队仅十余人的初创公司，产品尚处内测，却引来近10万人排队申请。创始人闹闹有丰富履历，不回避产品缺陷，公司已获天使轮融资，将全力投入迭代。
X爆火Overleaf科研辅助神奇PaperDebugger
当下学术写作借助大语言模型辅助时，流程繁琐且上下文易丢失。新加坡国立大学团队推出的 PaperDebugger 是基于插件的多智能体系统，寄生在 Overleaf 编辑器内，可完成多任务，解决现有工具不足。
刚刚，OpenAI发长文：找到缓解LLM撒谎的方法！
Google发布Gemini 3 Deep Think，ARC - AGI - 2准确率高且采用并行推理技术。OpenAI发长文《通过忏悔训练大型语言模型诚实性》，介绍缓解LLM撒谎的忏悔训练法、实验结果等，也指出其局限。
Nano Banana Pro或将引爆新安全危机
基于Gemini 3的图像生成模型Nano Banana Pro昨日上线，支持2K/4K分辨率生成，排版和文字控制能力提升。它展现出复杂推理能力，能理解反光、推理指纹，但这或带来隐私危机。
Voices 能够让 Java 应用程序快速实现文本到语音转换
Voices 是开源文本转语音项目，为 Java 17 及以上应用设计，无需外部 API 或手动安装软件。可按字典或 OpenVoice 为不同语言生成音频，其使用 ONNX Runtime 加速，还介绍了使用方法和配置。
小红书提出DeepEyesV2，从“看图思考”到“工具协同”，探索多模态智能新维度
小红书推出多模态模型DeepEyesV2，它延续视觉推理优势，实现代码执行、网页搜索和图像操作的全工具协同。通过多工具协同推理解决复杂问题，采用两阶段训练策略，准确率远超开源模型。
一边秀肌肉，一边设围墙，NVIDIA 发布 OmniVinci，性能碾压 Qwen2.5-Omni，却被骂“假开源”
NVIDIA 推出多模态大语言模型 OmniVinci，结合架构创新与数据合成流水线，训练 token 仅为 Qwen2.5 - Omni 的六分之一，却在多项基准测试表现更佳。但采用限制商业用途的许可证，引发争议。
RAE的终极形态？北大&阿里提出UniLIP: 将CLIP拓展到重建、生成和编辑
北大和阿里团队提出 UniLIP，解决了统一多模态模型中语义理解与像素重建的矛盾。它创新微调 CLIP，实现图像重建，还提出双条件架构用于生成和编辑，在多基准取得 SOTA 性能。
AI百科全书SciencePedia：当马斯克Grokipedia遭遇滑铁卢，有个中国团队默默把活儿干了
在知识爆炸时代，传统互联网平台难以满足用户获取深度见解的需求，马斯克的Grokipedia也未达预期。深势科技等团队推出SciencePedia，它能理解知识关系，追踪科学脉络，让真知高效抵达用户。
告别微调！腾讯提出Training-Free GRPO：无需更新参数，还能保证泛化性，成为传统RL的有力替代
大型语言模型在专业领域表现不佳，传统微调方法成本高、易过拟合。腾讯优图实验室提出Training - Free GRPO，无需更新参数，通过上下文学习提升性能，成本低且泛化性好，是传统强化学习有力替代。