「视觉功能」共找到 2170 篇相关文章
告别抽卡、散装工具拼凑！通用AI视频智能体框架UniVA开源
在AI视频创作中，创作者常因频繁切换工具而疲惫。近期多所高校联合开源的UniVA框架，像「AI导演」，能整合视频工具，提供一站式自动化体验，改变「抽卡」式创作，还支持多轮交互等功能。
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。
全球首个「导航大脑」上线！一句话让机器人自己找路回家
银河通用联合多所大学发布全球首个跨本体全域环视导航基座大模型NavFoM，让机器人能自主导航。它全场景、多任务、跨本体，重新定义导航逻辑，有技术创新和庞大训练数据，还衍生应用模型推动具身智能商业落地。
全球首个AI Agent操作系统FlowithOS跑分超Atlas，网友：它「杀死」了比赛
AI应用初创企业Flowith推出全球首款专为AI Agent打造的操作系统FlowithOS。它能改写交互方式，功能超AI浏览器，跑分超竞品，还具记忆能力，适配多系统，已公测，或引发“AI操作系统”竞争。
本周推荐的5个yyds的Github开源项目！
本文推荐 5 个 GitHub 开源项目，有给容器提供 GUI 支持的 x11docker、AI 证件照制作工具 HivisionIDPhotos、仓库可视化工具 GitDiagram、英语学习应用 TypeWords 和自托管记账应用 ezbookkeeping，各有特色功能。
NeurIPS 2025 Spotlight | GeoSVR：稀疏体素的新潜力——超越3DGS系列的高精度三维表面重建
计算机视觉中表面重建难题待解，现有方法有瓶颈。北航等团队提出 GeoSVR 框架，围绕几何约束与表面正则化设计，在多数据集超现有方法，兼顾精度、完整性与效率，为多领域提供支持。
一手实测全新的Sora 2 - AI视频的ChatGPT时刻到来了。
OpenAI发布Sora 2和Sora APP，Sora 2是视频和音频生成模型，在运动质量、人物表演、音频生成等方面表现出色；Sora APP类似AI版抖音，有社交互动“cameos”功能，但产品未来尚不明朗。
高性能全闪并行文件系统的设计和实践
焱融科技 CTO 张文涛在 QCon 大会分享‘高性能全闪并行文件系统的设计和实践’，介绍了焱融全闪文件存储架构和 YRCloudFile 技术细节，分享其解决 AI 训练存储难题的方案。
Anthropic发布Claude Sonnet 4.5：编程能力再登顶，新产品试图颠覆Windows操作系统
今日凌晨Anthropic发布Claude Sonnet 4.5，该版本在编程、计算机使用等能力上显著提升，开放Claude Agent SDK，还推出多项产品功能更新及“Imagine with Claude”研究预览，或对AI编程和Agent产品洗牌。
首款推理具身模型，谷歌DeepMind造！自主理解/规划/执行复杂任务，打破一机一训，还能互相0样本迁移技能
谷歌DeepMind发布新一代通用机器人基座模型Gemini Robotics 1.5系列，由GR 1.5和GR - ER 1.5组成，结合视觉、语言与动作，实现“规划 + 执行”闭环，还提出Motion Transfer机制，能跨机器人迁移技能。