「视觉功能」共找到 2160 篇相关文章
Github 1.8k star Skyvern：AI直接接管鼠标键盘，3行API干掉你写了3年的脆弱XPath脚本！
Skyvern是开源AI浏览器代理，结合LLM和计算机视觉，自动执行浏览器业务流程。它用简单API复刻人工操作，替代传统脚本，解决脚本脆弱、流程复杂等痛点，功能丰富，技术优势明显，适合多业务场景。
自动化浏览器
Skyvern是能自动化浏览器操作的工具，底层靠大语言模型和计算机视觉。它提供简单API接口，可在大量网站自动化手动操作，替代易出错的自动化方案。介绍了其原理、使用方法、功能等。
Claude Opus 4.7 发布！留给人类的时间，不多了
Anthropic 发布 Claude Opus 4.7，核心升级是让 AI 跑长且复杂任务，还能自我验证结果。它视觉能力超强，编程能力提升，新增 /ultrareview 功能，API 多了调节档，不过 token 数量或增加，成本可能上浮。
VLA模型为何忽视语言？破解指令跟随幻觉，分布外场景泛化新突破
当前VLA模型常依赖视觉线索而非语言指令，导致新场景表现不佳。论文提出LangForce方法，引入对数似然比损失，强化模型对语言的依赖，提升分布外泛化能力，还保留语言核心功能。
41个榜单SOTA！智谱最新开源GLM-4.5V实测：看图猜地址、视频秒变代码
智谱基于GLM - 4.5打造的开源多模态视觉推理模型GLM - 4.5V，在42个公开榜单中41项夺得SOTA。其功能丰富，玩法升级，还为企业与开发者提供高性价比方案，是100B参数级SOTA标杆。
刚刚，智谱开源了他们的最强多模态模型，GLM-4.5v。
智谱接连开源GLM - 4.5和GLM - 4.5V，后者为多模态模型，总参数106B，在42个评测基准中41个达到SOTA。经测试，它视觉推理强、速度快，还有视频理解等功能，API定价良心，体现持续开放精神。
Qwen深度研究一夜升级！可生成网页和音频播客，新模型能认医生手写体
Qwen版深度研究加速进化，增加听觉和视觉输出，可生成网页和音频。改进功能同时更新模型，Qwen3 VL能识别医生手写体。实测新功能表现出色，Qwen3-VL系列更新后性能优异。
刚刚，杨植麟亲自开源Kimi K2.5！国产大模型打架的一天
今天国产大模型热闹非凡，Kimi更新至K2.5版本。它是万亿参数的MoE基础模型，开源且在多项评测表现佳，视觉与编码能力强，还引入Agent Swarm功能，实测展示其解决各类复杂任务能力。
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。
DeepSeek识图模式是个新模型？！一手实测在此（没错我被灰度到了）
作者喜提DeepSeek识图模式灰度测试，实测发现其非思考模式速度快，推理有幻觉；思考模式推理慢且冗长。实用功能如OCR、复原HTML较靠谱，但色盲测试偶翻车。该模式或用独立视觉模型，且多模态进展超预期。