「3D视觉问答数据集」共找到 3069 篇相关文章
真正的一句话修图：Gemini 用香蕉模型给出了图像生成的分水岭
Google新模型Gemini 2.5 Flash Image可在AI Studio体验。它有多图融合、角色一致性等能力，能实现自然语言编辑图像，速度快、价格低、API可用，虽有中文体验等问题，但有望让AI视觉工具进入工程化时代。
支付宝 AI 出行助手高效研发指南：4 人团队的架构迁移与提效实战
本文介绍支付宝AI出行助手研发历程，其集成多种出行功能，基于xUI + KMP框架搭建。分享研发实践、挑战与策略，如迁移基础能力、卡片生态，适配标准框架，还提及KMP应用及数据度量体系，取得业务和研发效能成果。
工具增强的多模态LLM综述
多模态大语言模型（如GPT - 4V）虽有强大图文理解能力，但受数据稀缺、复杂任务表现不佳和评估标准不统一限制。论文提出为MLLM集成外部工具，构建全景图，覆盖多维度，还指出挑战与对策。
从WAIC上爆火的功夫机器人，看到这家央企的具身智能「真功夫」
今年4月“功夫boy”机器人出圈，3个月后的WAIC上它全新升级。其背后是中国电信人工智能研究院（TeleAI），由李学龙教授带领。他们技术栈全面，在硬件、软件、数据等方面全栈自研，还布局智传网，未来发展潜力大。
开源中小模型+Skills也性能暴增！卢森堡大学探索了小模型驾驭Skills的边界
卢森堡大学等研究探索小模型驾驭Skills的边界。工业界因数据安全渴望开源小模型，智能体Skills框架让小模型性能暴增。研究拆解小模型处理复杂任务的方法，还验证不同策略有效性，发现代码专用模型优势。
万字长文 | 异构算力技术架构与核心组件解析
文章聚焦异构算力技术架构与核心组件，解析主流AI芯片特点、国产芯片技术路线；介绍高速互联技术、网络拓扑结构及优化方法；阐述大模型存储需求、分布式存储技术及数据预处理与加载技术，为AI计算提供全面方案。
3种主流AIPPT实现方式详解，最复杂的有开源方案。
文章介绍三种主流AIPPT实现方式。图片生成式能按需求画PPT，速度快成本低但难调整；网页编程式效果与模型和提示词相关，易调整、数据精准；模板式有盈利案例，用模板填内容，较可控但实现复杂，还有开源项目PPTAgent可参考。
美国具身也没成熟！PI：中国公司何必总当“中国版XX”｜RSS 2026
量子位参加RSS 2026后，发现国内外具身智能关注点有时差。会上听到不少与国内不同的判断，如北美具身智能公司未成熟，中国硬件领先。还探讨了世界模型与VLA、数据、全身智能及产业出海等问题。
「回答一切」吐槽潮中 Sam Altman 确认： 4o 回归，GPT-5 将进行六大改进
OpenAI在Reddit举行GPT - 5问答活动，网友吐槽多。Sam Altman确认GPT - 4o回归，还表示GPT - 5将进行加倍调用速率、保留旧模型选择权等六大改进，同时回应了用户对旧模型、调用限额等方面的质疑。
豆包悄悄上线的这个新功能，也能用眼睛推理全世界了。
作者分享豆包新上线的视觉推理功能，在PC和手机场景使用体验良好。通过ChinaJoy图片、德爷相关图片、表情包等实例展示其推理能力，虽有软肋但很实用，还免费，体现出与其他工具的差距。