搜索：视觉语言理解

「视觉语言理解」共找到 2163 篇相关文章

OpenAI没做到，DeepSeek搞定了！开源引爆推理革命

文章围绕大语言模型推理能力展开，介绍了推理模型概念，回顾RLHF训练流程，对比OpenAI的PPO和DeepSeek的GRPO，还阐述了GRPO开源升级版DAPO的关键技术点及训练中模型的新能力。

大语言模型任务规划面临可扩展性和可迁移性挑战，华为新加坡团队提出 InstructRAG 方案，通过多智能体协同架构实现指令图扩展与少样本任务迁移，在多数据集测试中性能提升高达 19.2%。

Manus深夜官宣支持生成图像，与一般AI绘图工具不同，它能理解画图目的，规划方案后再生成。它可完成如房间装修可视化、饮料瓶设计等任务。目前已开放注册，不过付费价格遭网友吐槽。

多模态奖励模型对提升多模态大语言模型表现至关重要，但现有强化学习算法用于训练存在问题。快手、中科院等团队提出 R1 - Reward，在基准上比 SOTA 提升 5% - 15%，还在快手业务场景成功应用。

Google更新Gemini 2.5 Pro至05 - 06版。此版代码能力在WebDev Arena盲测登顶，超Claude 3.7 Sonnet；还提升视频理解，可将视频转为可视化网页，虽有产品打磨问题，但进步值得肯定。

学术论文阅读常因晦涩内容和语言壁垒让人望而却步。Mad-Professor是开源的AI驱动学术论文阅读工具，集成多种功能，通过AI问答和语音交互解答疑惑，赋予个性化角色，让阅读体验高效且生动。

过去基础模型主要理解和描述物理世界，如今开始进入机器人控制栈。Meta等提出HumanCLAW，将高层行动与低层运动控制分开。评测显示当前模型在行动决策上存在不足，未来可从多方向推进研究。

8月20日，斯坦福大学吴佳俊在IJCAI 2026发表“计算机与思想奖”获奖演讲。他指出像素是表象，物理结构才是因果，提出以物理代码为桥，融合基础模型泛化力与物理模拟因果性，构建视觉与物理智能。

Anthropic发布Claude Opus 5，接近Claude Fable 5智能且价格减半，测评成绩出色，科研和视觉输出能力也有进步。同时发现砍掉Claude Code 80%系统提示词，编码评测分数不变，还总结出上下文工程新方法论。

Anthropic新研究《语言模型中的全局工作空间》，在Claude神经网络里找到特殊区域J - space，它有独特性质，对应全局工作空间理论。还介绍了发现方法及多个实验，探讨其与意识关系，研究已开源。