「视觉理解模型」共找到 8111 篇相关文章
Google 发布首个全模态 Embedding 2 模型，文本图片音视频 PDF 统一到一个向量空间
Google发布Gemini Embedding 2模型，它是业界首个原生支持文本、图片、视频、音频和PDF五种模态的Embedding模型，可将这些数据映射到同一向量空间，在多模态RAG、跨模态搜索等场景有应用，还介绍了跑分、用法、竞品、价格等情况。
南大等8家单位，38页、400+参考文献，物理模拟器与世界模型驱动的机器人具身智能综述
当下，具身智能成研究热点。南大等8家单位学者撰写综述论文，指出物理模拟器与世界模型融合是实现具身智能的潜力路径。论文系统梳理两者协同推动机器人演进全貌，还提出分级标准等内容。
视频实时生成可交互！ 两位自动驾驶大牛创业世界模型：40毫秒/帧，无需任何游戏引擎，人人免费可玩
李飞飞押注的世界模型领域有新成果，Odyssey公司由两位自动驾驶大牛创立。其AI无需游戏引擎，40毫秒/帧实时生成视频，玩家能实时交互。虽处于早期预览版，但已展现潜力，世界模型或成竞争热点。
社区供稿 | 全能高手&科学明星，上海AI实验室开源发布『书生』科学多模态大模型 Intern-S1 | WAIC 2025
7月26日，上海AI实验室在WAIC 2025上发布并开源科学多模态大模型Intern-S1。它融合书生家族优势，首创跨模态科学解析引擎，在多学科任务上超越顶尖闭源模型，技术创新显著，未来将持续开源。
Claude Code 实战横评：GLM4.5 vs DeepSeek 3.1（附Windows MCP配置，免费模型接入）
文章对Claude Code里GLM4.5和DeepSeek 3.1进行实战横评，涵盖数据库、网站、游戏等测试案例。还介绍Claude Code在Windows下配置MCP经验，以及接入GLM、Deepseek等模型的方法和免费平台。
GitHub 23.6k star 的 BMAD Method：如何把大模型系统提示词，变成一支“可复制的 AI 开发团队”？
BMAD Method是开源的AI驱动敏捷开发方法论与工具集，基于BMAD Core框架，有19个专业AI角色和50+条工作流，获23.6k颗GitHub Star。它解决了大模型使用痛点，将AI开发工程化，可在多工具复用。
CVPR 2025 Award Candidate | 英伟达等Difix3D+：用单步扩散模型修复 3D 重建伪影
3D重建领域中，NeRF和3DGS在新视角生成时易出现伪影，影响应用。英伟达团队提出Difix3D+，将预训练2D扩散模型用于3D渲染，单步去伪影，效率高、有泛化力，实验效果领先。
小红书开源大模型dots.llm1，初次出手，小有惊艳！国外网友们又炸了……
小红书hi lab团队公布首个开源大模型dots.llm1，这是142B参数的MoE模型，仅14B激活参数就能与Qwen2.5 - 72B打平。它开源力度大，训练效率高，数据处理精细，训练稳定，获国外网友高度关注。
Suno最强开源对手来了！ACE Studio和阶跃星辰联合开源了一款音乐模型，20秒即可生成4分钟神曲！
ACE Studio和阶跃星辰联合开源音乐模型ACE - Step，参数量3.5B，结合多种技术，支持多语言多风格音乐生成。20秒可生成4分钟歌曲，比传统模型快15倍，有多种功能亮点，还介绍了上手步骤和应用场景。
又是王冠：27M小模型超越o3-mini！拒绝马斯克的00后果然不同
27M小模型HRM由拒绝马斯克的00后王冠开发，超越o3 - mini - high和DeepSeek - R1，推理不靠思维链。它采用分层推理等五项核心技术，在多测试中表现出色，虽被指通用性不足，但有人看好其仿脑架构。