「视觉推理任务」共找到 3940 篇相关文章
让大模型基于「图像事实」说话：用事实文本+自适应编辑，让语言偏见无处遁形丨ICLR'26
多模态大模型看图常“脑补”，存在对象幻觉问题。北航团队提出AFTER框架，含FAS和QAO模块，能在主流LVLM和基准上显著降低幻觉，且推理开销低，为多模态助手落地提供实用路径。
GAN之父Ian Goodfellow病后归来，剑指高效世界模型
GAN之父Ian Goodfellow等提出，利用符号化表示和游戏虚拟世界数据，或为构建动作条件多模态世界模型最佳路径，该模型可支持长时序任务预测与规划，还探讨构建原因、数据来源等。
皮皮虾也来了！超低成本超高效版OpenClaw
PicoClaw是超轻量级个人AI助手，灵感源于nanobot，用Go语言重构。它成本低、内存占用少、启动快，支持多架构。还介绍了安装、配置、聊天应用等使用方法，及命令行参考和定时任务功能。
阿里通义实验室出品！全新 GUI 智能体 MAI-UI，精准操控你的手机
阿里通义实验室推出 GUI 智能体模型家族 MAI - UI，覆盖多种规模。针对当前 GUI 智能体问题，采用统一方案让模型更强。在多项任务中刷新行业成绩，有性能提升与隐私保护双收益。
170次搜索+50次反思：用GLM-4.7盘点2025 Agent行业趋势，结果太震撼！
作者给智谱新开源的GLM - 4.7布置调研2025年Agent赛道企业的任务，结果令人震撼。该模型进化显著，能整理详细企业信息，还能生成高审美PPT。国内有不少特色AI落地企业。
OpenAI深夜双王炸！GPT-5.1 Pro紧急发布，降维打击Gemini 3
OpenAI同一天发布GPT-5.1 Pro和GPT-5.1-Codex-Max。前者向Pro订阅用户推出，主打「情商智商」双强；后者在Codex平台上线，专为「长时间、高强度」开发任务设计，采用「压缩」机制，表现出色。
GPT-5≈o3.1！OpenAI首次详解思考机制：RL+预训练才是AGI正道
OpenAI研究副总裁Jerry Tworek在播客访谈中称，GPT-5类似o3.1。他详解模型推理过程，强调RL+预训练是AGI正道，肯定DeepSeek的GRPO算法，还分享自身经历及OpenAI工作结构。
Sora没做到的，LongVie框架给解决了，超长视频生成SOTA
视频生成近年进步大，但生成超1分钟高质量长视频仍难。上海人工智能实验室等机构提出LongVie框架，解决时序不一致和视觉退化问题，还推出评测基准LongVGenBench，该框架在多项指标达SOTA。
中国科学院携手全球顶尖机构发布首个十亿参数级的手术视频基础模型SurgMotion！
近日，中国科学院等全球顶尖机构发布手术视频原生基础模型SurgMotion。它依托全球最大手术视频数据集，首次突破十亿级参数，覆盖17项核心手术任务，性能卓越，还在多领域形成生态共鸣。
除了AGI已来和死亡，我们为黄仁勋重磅访谈总结了50条AI最前沿判断
2026年3月23日黄仁勋在播客访谈提出众多前沿判断，如AGI已来，Agent时代开启；智能会成商品，人性才稀缺；推理成本高；合成数据非旁门左道等，还谈及公司架构、算力、供应链等话题。