「视觉功能」共找到 2170 篇相关文章
刚刚，OpenAI 发布了GPT-5 前菜：ChatGPT Agent
OpenAI发布ChatGPT Agent，它是统一智能代理系统，融合多种功能与工具，能动态选处理路径。在多测试中表现佳，采用强化学习微调新架构。使用体验似与人协作，OpenAI采取安全措施，还探索商业、分批开放，业内看法不一。
OpenAI硬件陷“抄袭门”，商标/设计极其相似，官方火速删帖
才官宣1个月，OpenAI斥64亿美金收购的AI硬件公司IO，因商标、产品设计侵权等问题，被IYO告上法庭。IYO称OpenAI曾与其接触后拒绝合作，直接推出IO，定位产品功能几乎一致。目前OpenAI已删相关内容。
边画边想！多模态Reasoning迎来巨大提升！
论文指出文本无法精准表达空间关系，现有视觉语言模型（LVLM）在空间推理上是短板。ViLaSR让模型直接画图推理，经三阶段训练，在五大空间推理测试中表现出色，还开源资源，有望带来机器认知升维。
Granola：ChatGPT、Notion 都入场的 AI 纪要，能真正沉淀工作流吗？
AI 发展带动大量 AI 纪要工具兴起，Granola 凭借新颖 AI 交互方式和对 AI 产品的深入思考，成为领域后起之秀。它提供 AI 补充人工笔记功能，改变了很多知识工作者工作流，但也面临用户习惯和大模型公司切入等挑战。
万字总结：如何练就适配人形机器人的可靠「灵巧手」？｜GAIR Live
在具身智能崛起时，灵巧手成人工智能落地核心突破口。2025年5月25日相关线上沙龙中，嘉宾围绕灵巧手软硬件、数据与模型、落地应用等交流，探讨数据难题、开源价值、落地挑战及中美差距等。
见证历史！DeepSeek跃居全球第二AI实验室，R1登顶开源王座，R2全网催更
昨晚，DeepSeek官宣R1完成小版本升级，开启「深度思考」功能可体验。其R1-0528性能媲美o3和Gemini 2.5 Pro，还微调了8B模型。DeepSeek成全球第二大AI实验室和开源王者，网友催更R2。
世界模型迎来因果升级：CD-LAM仅用几千步微调即可显著增强动作控制
Aether AI与加州大学圣地亚哥分校研究发现现有世界模型会无视动作控制信号，根源是隐动作模型受视觉混杂因素污染。团队提出CD - LAM，从上游净化隐动作表征，实验显示其能降动作误差、提画面质量，降低后训练开销。
3 亿美元 ARR、估值超 20 亿美元，演语科技是怎么做 ToC 应用增长的？
AI应用难做，演语科技却完成近3亿美元B+轮融资，估值超20亿美元，ARR超3亿美元。其成功在于找准付费人群、做厚应用、激进增长，让产品功能转化为收入，为AI应用商业化提供范例。
永别了，Sora！奥特曼All in超级App
OpenAI一早关停爆火仅6个月的AI视频APP Sora，包括其开发者版本及ChatGPT内视频功能。奥特曼此举是为打造「超级应用」、为IPO铺路，同时为新模型Spud腾出算力，其预训练已完成，将在未来几周发布。
豆包 Seed 2.0 来了：字节模型跨越鸿沟
春节前字节发布豆包大模型 2.0，其在 Text 领域进入榜单前十，视觉能力全球第四且成本低。它定位多模态 Agent 模型，有多种能力升级，文中用多个案例展示其强大，还强调字节重原生能力非简单蒸馏。