搜索：视觉文本渲染

「视觉文本渲染」共找到 1119 篇相关文章

One RL to See Them All？一个强化学习统一视觉-语言任务！

国内初创公司 MiniMax 提出 V-Triune 系统，可让 VLM 单一训练流程学视觉推理和感知任务。它含三个组件与动态 IoU 奖励机制，基于此的 Orsta 模型在多项测试中性能提升显著，凸显统一 RL 方法有效性和可扩展性。

哈工大提出通用3D高斯框架GRGS，用于多样光照下高保真人体新视角合成。它采用前馈监督策略，支持可编辑光照，结合物理着色与神经网络推断，合成逼真效果，但处理透明材质和纤薄结构欠佳。

MicroSyn-X首创无需真实数据的AI合成影像技术，让机器在无标注虚拟X光中学会追踪微型手术器械，突破医疗数据稀缺瓶颈，为自动化微创手术提供新路径，且代码和数据已开源。

南京艺术学院‘人工智能与计算机视觉算法创新设计工作坊’汇集师生与专家成果，涵盖多种艺术形式。学生学习多技术完成跨媒体作品，如以《大闹天宫》为蓝本的交互装置，还有探索情绪、文化等主题的作品。

360发布FG - CLIP 2双语细粒度视觉语言对齐模型，几乎在所有数据集上全面领先。它能让AI在统一框架内看懂图像细节、理解中英双语，团队还提出新中文多模态评测基准。

来自中山大学等的研究者提出SeePhys Pro，是面向多模态物理推理的细粒度评测与训练诊断框架。发布了benchmark、训练集等，测评显示当前模型在信息模态转变时不稳定，为模型评测和训练研究提供基础。

卡内基梅隆大学开源LegoGPT，可依文本提示生成物理乐高模型。它把乐高设计转为自回归文本生成任务，基于LLaMA - 3.2 - 1B - Instruct微调，应用场景广泛，如教育、玩具设计等。

谷歌发布首个原生多模态嵌入模型Gemini Embedding 2，将文本、图像、视频、音频和文档映射进同一嵌入空间，支持多模态混合输入，为AI Agent“看懂”世界提供关键基础，已展开公测。

在 Agentic AI 时代，多智能体系统让 AI 从单打独斗变为团队协作。普林斯顿大学等机构研究者提出多智能体推理框架 LatentMAS，将协作从 token 空间转移到潜在空间，实验显示其性能、效率大幅提升。

华中科技大学、北京邮电大学等多所高校研究团队共同推出纯多模态开源LLM——Perception-R1，该模型用强化学习优化视觉感知，目前论文和代码均已开源，其在视觉任务上表现出色，为后续研究提供强大baseline。