「视觉交互」共找到 1210 篇相关文章
360发布全球最强视觉语言对齐模型！榜单全面领先！
360发布FG - CLIP 2双语细粒度视觉语言对齐模型，几乎在所有数据集上全面领先。它能让AI在统一框架内看懂图像细节、理解中英双语，团队还提出新中文多模态评测基准。
谷歌开源 Colab MCP Server，AI 智能体可云端运行代码
谷歌开源 Colab MCP Server，使 AI 智能体通过 MCP 与谷歌 Colab 交互，将本地智能体工作流与云端执行环境打通，解决本地部署局限，还反映 AI 智能体与外部工具交互标准化趋势。
视觉优势还是语义依赖？揭秘 DeepSeek-OCR 高压缩率背后的真相
中科院等团队论文剖析 DeepSeek - OCR，通过实验揭示其高压缩率下准确率高或依赖语言先验。去掉语言先验，准确率暴跌；下游任务推理崩塌，长文本处理也有瓶颈。
重构线性视觉Transformer，精度与效率双平衡 | CVPR'25
南洋理工、北航与合工大联合提出CARE Transformer，以非对称解耦建模局部与全局，降低计算开销、提升特征表达。实验显示其在移动端低延迟高精度，打破“效率与精度不可兼得”困局。
Claude一夜吞掉所有APP，全球打工人变天！AI时代「操作系统」诞生
Anthropic官宣十大办公神器可在Claude中交互，集成「MCP Apps」打破AI与软件工具隔阂。Claude从单一对话助手向「AI工作站」演进，新功能已向部分用户开放，MCP Apps带来交互革命。
锁定角色，「多主体」也可控！个性化文生图，给你PS般交互体验
LayerComposer革新个性化图像生成，能让用户如在Photoshop般操控元素位置、大小，解决传统方法交互性与多主体扩展难题。它有分层画布、锁定机制、模型–数据共设计三大特点，实验表现出色，未来将促进人机协同创作。
用多模态LLM超越YOLOv3！强化学习突破多模态感知极限｜开源
华中科技大学、北京邮电大学等多所高校研究团队共同推出纯多模态开源LLM——Perception-R1，该模型用强化学习优化视觉感知，目前论文和代码均已开源，其在视觉任务上表现出色，为后续研究提供强大baseline。
无需训练！让VLM同时具备「视觉」与「推理」能力，数学题得分暴涨30%
当前视觉语言模型（VLM）像‘视力好但数学差的学生’，论文指出问题根源是数据不足和能力分布不均。提出‘模型合并’方案，实验显示在数学基准测试中表现亮眼，还通过实验揭示层间能力分布。
腾讯发布Hunyuan-GameCraft！从静图进入动态游戏世界
近年来，现有方法难满足游戏视频生成需求。腾讯推出Hunyuan - GameCraft，可基于一张图像和提示词生成游戏交互视频，能精准响应交互信号，保留历史场景信息，不过动作空间待丰富。
VQA高分是在看图，还是在记答案？ReKey只更新决定答案的那一小块
视觉问答模型准确率提升，但高分可能源于记忆。浙江大学等团队提出 ReKey，保留真实场景，只更新决定答案的视觉线索，使评测面向未见过内容，且多数环节可自动完成。