「视觉功能」共找到 2170 篇相关文章
谷歌开源Gemma 3 270M，性能超越Qwen 2.5同级模型
本周四，谷歌发布 Gemma 3 270M 模型，它参数小、功能强，具备指令跟踪等能力。在 IFEval 测试中表现出色，节能且适合多场景，谷歌还提供使用指南和试用途径，Gemma 系列下载量已破两亿。
Claude Sonnet 4 支持百万上下文了，AI Coding 的想象力更大了
Anthropic宣布Claude Sonnet 4支持100万Token上下文窗口，容量为之前5倍。该功能已在部分平台公测，将推给更多用户。它支持复杂任务，有新定价和成本优化方案，获早期用户高度评价。
理解、生成、编辑一次搞定：Skywork UniPic 2.0的统一多模态解法｜甲子光年
电商团队常面临创作流程繁琐问题，当前行业需统一架构。昆仑万维发布Skywork UniPic 2.0，整合理解、生成、编辑功能。它参数小性能优，还构建奖励模型，配合其他模型构建体系，具成本等优势。
以小博大，仅1.7B媲美gemini2.5-pro，达到SOTA文档解析性能
dots.ocr是多语言开源文档解析器，把布局检测和内容识别统一在视觉语言模型中，虽LLM仅1.7B参数，却达SOTA性能。介绍了其预训练三阶段及SFT阶段关键策略。
联合理解生成的关键拼图？腾讯发布X-Omini：强化学习让离散自回归生成方法重焕生机，轻松渲染长文本图像
图像生成领域，自回归与扩散模型技术路线之争不断。腾讯混元团队发布X-Omni模型，通过强化学习提升自回归图像生成质量，能渲染长文本图像。该模型已开源，还构建奖励系统评估生成质量。
ICML2025 | 揭示MLLM的图文联动推理能力
当前多模态大语言模型（MLLMs）在图文深度融合推理能力上面临挑战，现有评测基准无法真正检验该能力。EMMA基准应运而生，它从四大领域精选题目，采用双重过滤机制和细粒度标注体系，评测发现MLLMs存在多模态推理危机。
单向VLM变双向！人大斯坦福等提出MoCa框架：双向多模态编码器
人大、斯坦福等机构提出MoCa框架，将单向视觉语言模型转化为双向多模态嵌入模型。它通过持续预训练和异构对比微调，解决传统模型局限，在多模态基准测试中表现优异，尤其小规模模型性能突出。
微软强塞AI暴涨价！小哥惨遭Office全家桶绑架，每月含泪打钱一次未用
最新调查称仅8%的人愿为AI买单，科技巨头却将AI硬塞进日常软件。外国小哥Ted Gioia吐槽被微软AI全家桶绑架，付费却未用。巨头此举或为掩盖亏损，Meta还计划激进推AI，而ChatGPT将上线新功能。
当微信支付开放MCP之后，我却有一点后怕。
微信开放微信支付MCP，补上智能体链路支付短板，使用门槛低。作者分享体验，做了多个案例，如一周健康餐智能体。但全量开放或带来风险，如AI自主完成灰产闭环、AI骗AI钱等。
回复：用 AI 辅导教学问题
家长询问用Gemini 2.5 pro的OCR功能辅助孩子预习九门课程的问题，包括撰写提示词、有无更合适AI方案、家长角色及评估学习成果等，回复给出对应建议，如没必要上传教材等。