「视觉 Agent」共找到 3273 篇相关文章
智能体工程的隐形技术债：10分钟造出一个 Agent，公司却要为它养一个平台团队
如今构建智能体容易，但投入生产后会面临诸多问题。文章围绕智能体绘制出集成、上下文湖等七个基础设施模块，分析各模块隐性技术债务，并指出不同阶段债务表现，还提及应对措施及相关会议推荐。
最强多模态模型也拿不到30分？DeepImageSearch定义相册搜索新范式，开启个人视觉记忆的深度搜索时代
人大窦志成教授团队联合OPPO研究院提出DeepImageSearch图像检索新范式，将其从“逐张语义匹配”推向“语料库级上下文推理”。团队构建评测基准DISBench，用ImageSeeker框架评测主流模型，结果显示最强模型单次完美解决查询比例不超三成。
奥特曼重磅发声：全AI公司是未来！OpenAI官宣Frontier，让管理Agent像管人一样简单
OpenAI推出智能体中枢平台Frontier，可整合企业系统与数据，让智能体稳定运行。目前Anthropic在企业级大模型市场份额领先，OpenAI想借Frontier卡位。该平台已获多家巨头试用，有望拉开AI扎根企业核心业务时代序幕。
2026“企业 Agent 上岗元年”？零一万物六大判断定义企业多智能体，不再沿用大厂标准化产品模式”
1月5日，零一万物发布《中国企业智能体2026六大预判》，展示“万智2.5企业多智能体”。基于实践总结六大核心预判，还升级万智平台，不沿用大厂标准化模式，规划企业多智能体进化“三步走”布局。
告别“音画割裂”与“人物崩坏”！AutoMV：首个听懂歌词、卡准节拍的开源全曲级MV生成Agent
现有AI视频生成模型做全曲MV有时长限制、音画割裂和一致性差等问题。AutoMV作为开源多智能体系统，模拟人类影视制作流程，能生成长达数分钟、叙事连贯且音画同步的完整MV。
32倍加速，58秒搞定720p视频！字节发布离散自回归框架，统一视觉生成和长视频生成
字节发布InfinityStar框架，将5秒720p视频生成时间从30多分钟缩至58秒，还支持多样任务。它基于对视频本质思考设计时空金字塔模型，将时空分离，通过多项技术优化，性能表现出色，不过也存在一些技术局限。
AI一眼认出95万物种，还能分辨雄雌老幼，2亿生物图像炼成“生命视觉”大模型
俄亥俄州立大学团队用2亿生物图像训练BioCLIP 2模型，取得最优物种识别性能。它在无相应监督信号的非物种任务中，准确率远超DINOv2，还涌现出物种间生态对齐、物种内差异分离等生物学理解。
微软 CEO Satya：“传统的软件应用层正在瓦解，将逐渐被AI智能体（Agent）所取代”
微软CEO Satya Nadella称传统软件应用层正瓦解，将被AI智能体取代。微软布局‘AI智能体层’，让Microsoft 365成集成开发环境。他还号召SaaS企业成为数据源，专注数据API建设。
做AI漫剧的、搞Agent的、投硅谷的，5.20这些赛道顶流碰头了｜最新嘉宾阵容
5月20日，量子位将在北京举办中国AIGC产业峰会，主题为「@所有人，马上AI起来」。峰会聚齐百度、智谱等企业实战派，还将揭晓2026年度AIGC企业&产品榜单，发布《2026年中国AI应用全景图谱报告》。
自写驱动越狱！Gemini 3 Pro零败绩通关宝可梦：效率碾压前代8倍「Agent进化太快了」
在全自动《宝可梦 水晶版》对决中，Gemini 3 Pro击败Gemini 2.5 Pro，通关速度至少快2倍，前代或慢8倍。它还展现出诸多能力，如自写驱动绕过限制等，但也存在不验证假设等局限。