「视觉交互」共找到 1236 篇相关文章
牛津VGG、港大、上交发布ELIP：超越CLIP等，多模态图片检索的增强视觉语言大模型预训练
牛津VGG、港大、上交大团队论文提出ELIP方法，用学术界资源增强视觉语言大模型预训练，用于文字 - 图片检索。该论文被大会接受并获最佳论文提名。ELIP可应用于多个大模型，实验显示能显著提升图片检索表现。
深谋科技独家发布真正为人类服务的新一代人形机器人核心技术「声波传感 · 意念控制 · 高精视觉 · 类脑智能」
2025世界人工智能大会7月将举行，深谋科技作为精英合作伙伴参展。其秉持服务人类理念，携系列核心技术亮相。有独创传感系统、脑机交互方案等，还将推通用具身智能世界模型。
ICCV 2025 | 跨越视觉与语言边界，打开人机交互感知的新篇章：北大团队提出INP-CC模型重塑开放词汇HOI检测
北大团队提出 INP - CC 模型重塑开放词汇 HOI 检测。它提出交互感知提示生成和概念校准两项创新，结合输入图片特性构造提示集合，引入‘困难负样本采样’策略，在两大数据集上表现超 SOTA。
ICLR 2026｜人大&通义：别再只会堆上下文了！IterResearch用40K上下文轻松实现2048轮交互不退化
中国人民大学与阿里巴巴通义实验室团队提出 IterResearch 迭代式深度研究范式。它能让 Agent 在 40K 上下文下完成 2048 次工具交互且性能不衰减，解决了传统范式上下文臃肿问题，论文已被 ICLR 2026 接收。
操控宇宙万物？Gemini3.0生成最火的3D粒子交互案例（圣诞老人、Jarvis）丨附HTML.代码
最近用Gemini 3.0或GPT 5.2做3D粒子交互爆火，能生成可手势操作的爱心、圣诞树等。以往需数天写代码，现在和AI对话几轮就行。文中给出基础提示词，还展示多个案例及HTML代码获取方式。
打破幻觉！Qwen最新OCR让印章、表格、公式识别准确率飙升45%
基于推理增强框架的视觉语言模型处理OCR任务有成果，但存在生成幻觉问题，特定领域不如专家模型。DianJin - OCR - R1通过推理与工具交互，按‘思考 - 调用工具 - 重新思考’流程提升OCR性能，减少幻觉。
Karpathy 评 DeepSeek-OCR：分词器必须消失！马斯克：光子才是 AI 的终极语言
Andrej Karpathy 发长文讨论 DeepSeek - OCR 论文，提出图像输入比文本更高效，还表达对分词器的厌恶，认为其必须消失。马斯克称 AI 主要交互将是视觉。开发者分享实践经验，也有人提出质疑。
华为GTS让Agent学会「看着网络排障」，双防火墙难题几乎全拿下
本文介绍华为GTS算法团队针对大模型Agent网络排障遇到的「拓扑失忆」痛点，提出NetCanvas方案，通过可交互视觉拓扑实现认知卸载，大幅提升复杂网络排障的准确率和效率。
对话光帆科技董红光：Manus 让 Agent 走红，但真正的 AI 载体不只有手机
本文是对光帆科技创始人董红光的专访，围绕AI时代的交互与硬件趋势展开。董红光认为AI最合适载体非手机，光帆发布全球首款视觉感知AI耳机，介绍了产品设计原理、操作系统研发等，并探讨了AI硬件市场现状与未来。
DeepSeek又拿第一！首创「因果流」视觉推理，超越Gemini
DeepSeek开源DeepSeek - OCR2，引入DeepEncoder V2视觉编码器，打破传统模型扫描限制，模仿人类视觉「因果流」逻辑。它解决了传统VLM忽略图像语义结构问题，在多项测试中表现出色，还验证了「LLM作为视觉编码器」可行性。