「视觉 Agent」共找到 3280 篇相关文章
SkyReels-Audio让嘴型和音频完美匹配不再难
音频驱动的动态人脸生成研究较少，昆仑万维提出SkyReels - Audio框架，基于预训练视频扩散变换器构建，支持无限长度视频生成与编辑，采用混合课程学习等策略，保障视频视觉保真度和时间一致性。
Claude设计师被工程师卷到掉队，反手造出百万用户工具
Anthropic产品设计师Nate Parrott复盘Claude Design诞生过程。起初他在工作中被工程师拉开差距，利用业余时间捣鼓出这一工具。它以HTML为突破口，融入品牌系统，从副项目转正，定位前期视觉沟通。
刚刚，DeepSeek全新多模态技术开源！
DeepSeek联合北大、清华开源多模态技术及论文，提出“视觉基元推理”框架，解决MLLM指代鸿沟问题。基于DeepSeek - V4 - Flash构建的模型，性能比肩GPT - 5.4等。论文还介绍架构、训练流程等。
Q:Lab · 龙虾季 | 直播预告
InfoQ中国推出AI产品测评直播栏目「Q:Lab」，第一季“龙虾季”聚焦AI Agent产品，有3期直播，分别在4月21、23、27日，每期围绕职业场景测评多款产品，还有AICon 2026会议推荐。
立省499！我给你们找到了最傻瓜的OpenClaw安装方式。
作者应读者需求，寻找简单的OpenClaw安装方式，发现智谱的AutoClaw。它本地部署，支持Mac和Win，配置简单，还优化技能、显示用量，支持多模型API，能建分身，让普通人感受Agent魅力。
爆火的OpenClaw怎么玩？谷歌老哥40天打磨终极配置单开源：让你的龙虾越养越聪明，自动打怪升级
OpenClaw正掀起AI狂潮，谷歌高级AI产品经理Shubham Saboo经40天实战打磨出OpenClaw Agent终极落地方案。其系统架构分身份、操作、知识三层，文件不断进化，文末附实操路线图。
让AI像人类画家一样边画边想，港中文&美团让模型「走一步看一步」
在文生图和视频生成领域，现有模型处理复杂任务常出错。港中文和美团团队提出TwiG范式，将视觉生成拆解为“生成-思考-再生成”循环，经实验验证有效，有望拓展到更多领域。
n8n、扣子太难用了，Vibe Workflow 才是更大众的解
本文介绍 Refly.AI 推出的 Vibe Workflow，该产品获朱啸虎、高瓴投资且开源。它让普通人搭 Workflow，用 Agent 节点替代传统节点，降低门槛，还能迁移其他平台数据，核心是借模型提升发展。
Github 1.8k star Skyvern：AI直接接管鼠标键盘，3行API干掉你写了3年的脆弱XPath脚本！
Skyvern是开源AI浏览器代理，结合LLM和计算机视觉，自动执行浏览器业务流程。它用简单API复刻人工操作，替代传统脚本，解决脚本脆弱、流程复杂等痛点，功能丰富，技术优势明显，适合多业务场景。
OpenAI谷歌Anthropic罕见联手发研究！Ilya/Hinton/Bengio带头支持，共推CoT监测方案
OpenAI、谷歌DeepMind、Anthropic联合发表立场文件，提出CoT监测概念，认为是控制AI Agent核心方法。探讨其潜在机遇、局限，还提及不同公司对CoT监测的不同态度，如OpenAI乐观，Anthropic焦虑。