「视觉功能」共找到 2170 篇相关文章
阿里开源电影级AI视频模型！MoE架构，5B版本消费级显卡可跑
阿里开源新一代视频生成模型通义万相Wan2.2，含文生视频等功能。它率先将MoE架构用于视频生成扩散模型，5B版本可在消费级显卡部署。对比前代和Sora表现更优，还推出电影级美学控制系统。
仅需0.7秒单图像实时3D重建，开源扩散模型
单图像3D重建是计算机视觉难题，传统基于回归和生成式方法各有局限。Stability - AI开源SPAR3D模型，融合两种方法规避局限，仅0.7秒完成单图实时3D重建，实验显示性能显著优于其他基线方法。
真碾压Sora了！谷歌Veo 3首次实现音画同步，视频模型直接「开口说话」
谷歌正式发布Veo 3，它能生成高质量视频，还能理解原始像素，自动生成与画面同步的对话、多种音效。得益于DeepMind的V2A底层技术，其音画合成功能领先。虽有时长和使用门槛限制，但已足够震撼。
315 行代码构建编程助手，Go大佬揭开智能体的「神秘面纱」
知名Go大佬Thorsten Ball用315行代码构建编程智能体，虽无法与Claude、Gemini等编码功能媲美，但为初学者提供学习范例。文章分享构建步骤，包括准备工作、添加工具等，展示如何让智能体与Claude对话及使用工具。
解码提速15.1倍、多任务性能不降：复旦&引望WAM-Diff2打通自动驾驶VLA自回归—扩散转换
视觉-语言-动作（VLA）模型是端到端自动驾驶主流技术，但自回归解码架构有瓶颈。复旦大学与引望智能联合提出WAM-Diff2，实现自回归VLA向离散扩散模型迁移，解码加速15.1倍，多任务性能不降。
多 Agent 并行，手机也能用，已经 4 万星！
GitHub上项目Orca是专为「并行Agent」做的开发环境，开源4个月揽4万+ Star。它让多个Agent在独立git worktree里并行干活，互不干扰，还支持近30款主流Agent，另有多种实用功能，安装也简单。
离谱！我以为它只是提示词合集，结果 16.4 万 Star prompts.chat 直接把 Prompt 收藏夹干成团队资产库
一开始以为 prompts.chat 只是提示词合集，实际它把零散 Prompt 变成可搜索、可自托管、可接工具链的团队资产库。截至 2026-06-29，它在 GitHub 有 16.4 万 Star，还介绍了其功能、适用场景和局限。
Ben Thompson：Agent会下单之后，Amazon 和 Shopify 活得更好了
大家以为AI会重构电商，可ChatGPT的checkout功能未成功，Shopify、Amazon等电商平台仍活得好。分析师Michael Morton指出，AI改变产品发现入口，但难抹平支付等环节，品牌官网因AI获更多流量。
一站式 AI 短剧创作神器
Toonflow 是 HBAI-Ltd 开发并开源的一站式 AI 短剧创作工具，可将小说或剧本快速转化为动画短剧，集成多种功能，0 门槛全流程 AI 化，提升创作效率 10 倍+，支持多系统，兼顾易用性、扩展性和本地化部署需求。
实测刘翔pick的AI汽车，BBA老车主的豪华滤镜碎了
作者试驾了刘翔代言的智己汽车LS8，体验其智能辅助驾驶、AI助理等功能。该车与宝马X5等尺寸相近但价格低，有诸多黑科技，还让BBA老车主滤镜破碎，显示传统豪华溢价时代或终结。