「视觉智能体」共找到 3972 篇相关文章
DeepSeek多模态新范式：一张图压缩7056倍，思考能力反超GPT和Claude
DeepSeek上线多模态并开源新范式技术。该研究让AI用视觉原语思考，弥合语言与视觉指代鸿沟。它构建紧凑模型架构，信息压缩率达7056倍，训练分三阶段，测试中表现出色，也存在局限。
JinaVDR: 一个图文混排文档搜索任务的基准集
现有文档检索基准大多只考虑纯文本，难以处理含图表等视觉信息的文档。JinaVDR 应运而生，它是图文混排文档搜索基准集，含多语言、多领域数据，可评估模型在复杂视觉文档的检索性能。
北大-灵初重磅发布具身VLA全面综述！一文看清VLA技术路线与未来趋势
GPT-4o等多模态基础模型发展，让研究者探索将智能延伸到物理空间，VLA模型受关注。北大 - 灵初联合实验室从动作词元化视角提出新框架，分析主流action token，还介绍了VLA发展趋势及面临挑战。
比豆包手机还狠！Gemini电视登场CES，谷歌打响客厅革命第一枪
2026年CES上科技新品频出，谷歌将Gemini AI引入Google TV，让电视具备自然语言内容发现与推荐、教育深度学习等功能，还增强语音控制能力，打响客厅AI革命第一枪，同时涂鸦智能展示了AI生活助手等产品。
DeepMind率先提出CoF：视频模型有自己的思维链
DeepMind在Veo 3论文中提出帧链CoF概念，类比语言模型CoT，让视频模型能时空推理。实验显示Veo 3有通用视觉理解能力，能零样本解决视觉任务，未来通用视频模型或取代专用模型。
港科大&北京人形提出LOVON：足式机器人开放世界全域目标追踪新范式！
港科大广州联合北京人形创新中心推出LOVON框架，融合大语言模型、开放词汇视觉检测和语言 - 运动映射模型，解决足式机器人开放世界全域目标追踪难题，有抗干扰视觉处理等优势，性能超传统方法。
65岁LeCun被卷回巴黎老家！与小扎一刀两断，曝光神秘AI初创
65岁的图灵奖得主Yann LeCun年底将离开Meta创业，其新公司专注高级机器智能，教AI理解物理世界。他批评LLM触及天花板，是AI黑洞，多年来坚持世界模型研究，认为其才是通向真正智能之路。
AI Agent 十问十答，降低认知摩擦
文章以问答形式梳理技术术语与价值信息，介绍AI Agent定义、与传统软件区别、演进原因等，还阐述组件、原理、提升输出效果方法，探讨Workflow与LLM关系及单/多智能体系统相关内容。
红杉、顺为、米哈游等数亿融资，前大疆员工做了款消费级纺织机，目前营收近亿
消费级智能纺织公司浪爪智能获红杉、顺为、米哈游等数亿融资，创始人胡文鑫出身工程师。团队专注消费级纺织 DIY，推出消费级纺织 Station 平台，还在研发纺织 AI Agent，此前产品已获近亿营收。
前OpenAI灵魂人物Jason Wei最新演讲！三大思路揭示2025年AI终极走向
前OpenAI核心研究员Jason Wei在斯坦福演讲，提出AI发展三大思路。他认为智能会商品化、成本下降，自适应算力出现；所有能被验证的任务最终会被AI解决；AI智能呈锯齿状，不会瞬间超越人类。