搜索：视觉语义场景补全

「视觉语义场景补全」共找到 2622 篇相关文章

清华许华哲：具身智能需要从 ImageNet 做起吗？

清华许华哲探讨具身智能，分析其爆发原因、失败模式及决策点，涉及视觉信号输入、触觉应用、学习方法等，还探讨具身智能是否需‘ImageNet时刻’，并从宏观视角谈智能的共性。

国产出海产品Lovart被称为“设计界的Manus”，获朱啸虎点赞。它是设计领域首个Agent，能用自然语言驱动生成多模态视觉作品，可生成VI体系、短片等，适合文创领域，还能人工编辑，调用多模型。

中国科学院计算技术研究所团队提出无需微调的通用图像定制方法 MCA - Ctrl，利用扩散模型内部知识，结合条件语义与主体内容。实验显示其在编辑和生成任务表现优，解决了现有技术瓶颈。

Windsurf在1.8.2版本推出workflow功能，其采用自然语言定义工作流并与开发IDE深度集成，是更高级形态。该功能特性丰富、应用场景多，对Dify等应用编排工具或造成‘降维打击’。

多跳问答（MHQA）任务有挑战，现有方法依赖LLM，计算成本高、延迟显著。TreeHop研究提出新方案，摒弃LLM，通过嵌入空间动态更新，降低延迟、减少模型参数量，还在主流数据集表现佳，适合工业应用。

本文解读了上海交大、清华、字节跳动等机构联合发布的递归自我改进AI综述，提出五级AI自主改进框架，分析RSI发展现状、应用场景与核心挑战，指出RSI有望突破AI研发的人力成本瓶颈。

本文针对上线近半年的微信ClawBot，结合公开调研、官方资料，分析其用户规模、应用场景、提效效果与商业路径，解答用户量、提效、赚钱三大核心问题，给出基于可验证据的中立判断。

麻省理工学院报告显示，企业级AI试点仅约5%进入生产环节并产生回报。多数企业高估自身AI成熟度，落地难源于技术与组织发展速度不匹配。企业需系统重构，窗口期只剩3 - 4年。

大视觉语言模型带来隐蔽攻击面，现有检测器难平衡。中国人民大学与阿里巴巴集团联合提出Learning to Detect（LoD），不依赖攻击样本和手工规则，从模型内部激活学安全模式，实验效果好且代码开源。

大语言模型在竞赛编程场景易失败。南大、清华等研究者提出Solvita框架，由四个角色形成闭环，构建可训练图结构知识网络积累经验。实验显示其在多评测中表现强，提升不靠增加token。