「视觉强化学习」共找到 2048 篇相关文章
Codex给V4-Flash装上眼睛，DeepSeek也会文档OCR
GitHub上的项目codex-vision-proxy让接进Codex的DeepSeek能看图，不用换模型或等官方，装本地代理即可。它还附带视觉工具包，在智能文档解析和OCR上潜力大，证明多模态能力可长在管道上。
无需训练，如何提升黑箱VLM？CARPRT用「类别感知」给出答案
近年来，视觉 - 语言模型（VLMs）改变图像理解范式，但零样本分类性能对 Prompt 敏感。墨尔本大学 TMLR 小组提出 CARPRT 方案，以“无训练、黑箱适配、类别专属权重”解决提示词语义适配不足问题，已被 ICLR 2026 接收。
Agent = LLM + Memory + Planning + Tool Use
文章指出LLM设计无状态，产生幻觉，超长上下文窗口也无法解决记忆问题。介绍人类记忆的三个系统，阐述Agent记忆四层演化及每层问题，推荐开源项目Cognee将向量、图、关系型结合互补。
“不爱龙虾爱马仕”，为什么Hermes比OpenClaw更值得
文章对比了Hermes Agent和OpenClaw，Hermes由Nous Research出品，开源免费，安装便捷，支持多模型。其核心是闭环学习循环，能自我进化，技能可自动生成和更新，记忆系统更优，在多场景有优势，安全设计好。
ICLR 2026 | 机器人不够聪明？VLMgineer让大模型自己「发明工具」，从设计到使用全自动
宾夕法尼亚大学研究者提出 VLMgineer，一个全自动工具设计与使用框架，利用视觉语言模型和进化搜索，让机器人自主设计并使用工具。该工作已被 ICLR 2026 接收。实验显示，它在工具设计上优于人类提示和现有 Benchmark 工具。
顶尖模型离“科学家”还差得远？AI4S亟待迈向2.0时代
《Nature》研究指出，过度依赖现有深度学习模型或阻碍创新。上海 AI 实验室周伯文提出，应推动科学智能从 AI4S 迈向 AGI4S，还介绍“智者”SAGE 架构、“书生”模型及平台等探索成果，并邀同行共拓蓝图。
长视频会议纪要、访谈节目精剪AI神器
WhisperVideo是用于长篇幅、多说话人视频的简洁演示系统，专为真实对话构建。它有SAM3视频分割、TalkNet主动说话人检测等功能，具备视觉关联说话人归属等特性，文中还介绍了安装、运行等内容。
Node.js之父宣判“手写代码时代结束”！DHH明确反对“结束论”：大模型还差口气，手写更有竞争力
Node.js之父Ryan Dahl宣称人类写代码时代结束，而Ruby on Rails作者DHH反对，认为大模型还差口气，手写代码仍有竞争力。DHH分享AI使用体验，指出距AI带来明显优势的拐点还差一点，还探讨互联网和产品发布等问题。
让AI打游戏！能玩1000多款游戏，英伟达用4万小时视频训练出通用基础模型NitroGen
NVIDIA发布NitroGen模型，利用40000小时带按键显示的游戏视频，构建视觉-动作数据集，训练出能玩超1000款游戏的通用基础模型，在跨游戏泛化和微调任务中表现卓越，为具身智能发展提供新思路。
为什么给机器人装上昂贵的触觉传感器，反而让它变笨了？
伊利诺伊大学香槟分校等多校合作研究发现，当前机器人学习主流的多传感器融合算法（特征拼接）在处理任务时存在局限，给机器人加触觉数据会使抓取成功率暴跌。研究提出组合策略解决问题，经测试效果显著。