「视觉任务」共找到 2445 篇相关文章
最窒息的Bug：Agent循环搜索原地打转？SGR Agent用「双阶段认知」破局
Hybrid Schema - Guided Reasoning（SGR）是革命性AI研究智能体框架，用「两阶段推理 - 执行架构」和「持久化上下文记忆系统」，解决AI助手复杂研究任务的三大痛点，模拟人类研究过程，适用于多场景。
厉害了，智谱造了全球首个手机通用Agent！人人免费，APP甚至直接操控云电脑
智谱发布全球首个手机通用Agent AutoGLM，免费且人人可用。它可在云端执行任务，不占本地资源，还能操控云电脑。能集成到多种载体，上线移动端API申请通道及开发者生态共建计划。
LLM的快速、慢速与工具增强思维模式综述
大型语言模型在不同任务中对推理策略需求差异大，策略选择不当会影响效率与可靠性。本文提出双重知识边界框架，梳理LLMs推理模式，将策略选择形式化，还分析了决策因素及策略选择机制。
首个3D动作游戏专用VLA模型，打黑神话&只狼超越人类玩家 | ICCV 2025
淘天集团未来生活实验室团队提出首个3D动作游戏专用VLA模型CombatVLA，已被ICCV 2025接收。它能处理视觉输入输出动作指令，在战斗理解准确率和执行速度上表现优异，还构建了评测基准等。
打开高德的理由又多一条！全球首个「需求链智能调度」AI地图上线
8月，全球首个AI原生地图应用——高德地图2025上线。它有「需求链智能调度」系统，能处理多任务出行。其ST - MAC技术可解构复杂请求、构建群体智能服务生态，还有时空感知、AI探索等功能。
以小博大，仅1.7B媲美gemini2.5-pro，达到SOTA文档解析性能
dots.ocr是多语言开源文档解析器，把布局检测和内容识别统一在视觉语言模型中，虽LLM仅1.7B参数，却达SOTA性能。介绍了其预训练三阶段及SFT阶段关键策略。
联合理解生成的关键拼图？腾讯发布X-Omini：强化学习让离散自回归生成方法重焕生机，轻松渲染长文本图像
图像生成领域，自回归与扩散模型技术路线之争不断。腾讯混元团队发布X-Omni模型，通过强化学习提升自回归图像生成质量，能渲染长文本图像。该模型已开源，还构建奖励系统评估生成质量。
GPT-5问题太多，奥特曼带团回应一切，图表弄错是因「太累了」
GPT - 5发布后问题频出，在数学、逻辑、编码任务中失误不断，还出现低水准图表错误，引发吐槽质疑。OpenAI联合创始人Sam Altman等在Reddit AMA活动中回应问题，给出解决方案并分享未来规划。
这可能是Claude Code最重要的功能
Claude Code新功能Sub - agents很实用，能创建多个专精任务的Agent，有独立上下文窗口防‘记忆污染’，配置灵活，还能组成工作流。创建简单，比社区项目有优势，是Claude Code截至目前最重要功能。
社区供稿 | 全能高手&科学明星，上海AI实验室开源发布『书生』科学多模态大模型 Intern-S1 | WAIC 2025
7月26日，上海AI实验室在WAIC 2025上发布并开源科学多模态大模型Intern-S1。它融合书生家族优势，首创跨模态科学解析引擎，在多学科任务上超越顶尖闭源模型，技术创新显著，未来将持续开源。