「视觉系统」共找到 2292 篇相关文章
GPT-5.2 发布：做表格、写 PPT、敲代码 | 打工人的生产力利器
GPT - 5.2发布，在GDPval评测等众多基准测试中刷新行业水平。GPT - 5.2 Thinking适合真实场景与专业工作，在知识型任务、编码、长上下文处理、视觉理解、工具调用等方面表现出色，部分功能需付费使用。
全图与切片并非等价？LLaVA-UHD-v3揭示差异推出高效全图建模方案
随着多模态大模型发展，处理高分辨率图像成关键。主流视觉编码范式难兼顾性能与效率，清华和中科院团队发布 LLaVA-UHD v3，提出 PVC 框架，对比 SBE 和 GNE，验证其在提升效率同时保留模型能力。
为什么所有企业都在谈 Agent？50+ 技术实践给出真实答案
12月19 - 20日北京举办的AICon全球人工智能开发与应用大会，聚焦AI Agent等关键方向。来自腾讯等企业的实践者将分享构建智能系统经验，大会设Keynote和12大平行技术专场，呈现AI技术全景。
8.8K Star！真正的本地实时 Whisper 开源神器，彻底干翻云端 STT！
做实时语音转文字系统，上云端 API 贵且隐私难保障，本地跑 Whisper 延迟高。WhisperLiveKit 是专为本地流式语音识别优化的全栈方案，解决了 Whisper 痛点，有极速处理等功能，适用多类项目。
卡帕西大模型横评方法太好玩了！四大AI匿名参赛评分，最强出乎意料
卡帕西发布“大模型议会”web app，系统通过OpenRouter调起多模型开会商议，各模型答题、互评、排序，由主席模型给出统一答案。可对比模型差异，模型自评与人类主观或不同，多模型集成或成突破点。
杨植麟带 Kimi 团队深夜回应：关于 K2 Thinking 爆火后的一切
上周，月之暗面发布并开源 Kimi K2 Thinking，主打“模型即 Agent”，一上线便引发关注。今日凌晨，杨植麟等人在 Reddit 开展 AMA 活动，回应 K2 Thinking 一系列问题，还回顾了其在多项测试中的亮眼成绩。
当搜索遇见 AIGC：京东零售的“千人千面”素材生成实践
在 AIGC 浪潮下，视觉生成技术重构电商生态。京东零售李岩介绍“千人千面”商品素材生成技术链路，包括关键模型及实现框架，还发布焕新版京点点平台并预告新能力，推动电商个性化变革。
Emu3.5：能够原生预测下一状态的多模态世界模型，媲美Nano Banana
北京智源研究院推出多模态世界模型Emu3.5，能原生预测视觉和语言下一状态。用超10万亿token数据预训练，后经强化学习训练。团队提出DiDA提升推理效率，其性能媲美Nano Banana，项目已开源。
LangChain 彻底重写：从开源副业到独角兽，一次“核心迁移”干到 12.5 亿估值
本周，LangChain 宣布完成 1.25 亿美元融资，投后估值 12.5 亿美元，还发布里程碑式更新，LangChain 1.0 正式登场，这是一次从零开始的重写。它最初是副业，后成热门开源项目，此次重写解决了过往问题。
红色警报：OpenAI的Atlas浏览器，是捅向谷歌万亿心脏的匕首吗？
OpenAI推出ChatGPT Atlas浏览器，争夺全球互联网入口，直指谷歌核心业务命脉。谷歌核心收入源于搜索广告，Chrome是确保流量的关键。而Atlas以‘回答’和‘执行’为核心，或让谷歌广告竞价系统失效，谷歌必将强力反击。