「视觉 - 语言智能体」共找到 4672 篇相关文章
19K star 霸榜，下一代的浏览器自动化神器！
做爬虫或Web自动化测试常因网页结构变动需重写脚本。Github上超火的Skyvern项目是基于浏览器的自动化代理，不依赖XPath或CSS选择器，用视觉识别结合大模型推理完成任务，已获19k+ star。
Uno Platform 6.6 发布：Android 启动性能最高提升 61%
Uno Platform 6.6发布，在五平台引入原生AOT发布、可选Vulkan渲染后端等。聚焦运行时性能，提升多平台启动速度，还简化XAML编写，增强AI辅助、无障碍及多语言支持等。
机器人为什么要拟人？终于有人正确回答了
今年6月，英伟达发布Isaac GR00T人形机器人参考平台，深度机智发布论文Human - as - Humanoid。具身智能瓶颈是数据，深度机智以人类学习范式破局，完成全栈技术闭环，领先优势扩大。
打破碎片化瓶颈！浙大&哈佛开源UniGeo，高保真相机可控编辑
当前主流相机可控图像编辑基于图像扩散模型，应对连续相机运动易出现问题。近日，浙大联合哈佛发布UniGeo框架，在三核心层面注入统一几何引导，克服结构退化，提升视觉质量与跨视角一致性。
重建安全，Kai种子轮拿了1.25亿美元，有点象龙虾
大模型用于网络攻击，传统安全跟不上节奏。初创公司Kai首笔融资1.25亿美元，它从根本上重建安全，用单一智能体AI平台自主完成安全工作，愿景是整合网络安全和IT功能。
刚刚，人类社交网络巨头Meta收购了AI社交网络Moltbook
Meta收购AI社交网络Moltbook，将其两位核心创作者招致麾下。Moltbook虽被指是‘赛博过家家’，但其建立的智能体验证身份并相互连接的系统机制，是Meta看重的核心价值。
刚刚，创智+模思发布开源版Sora2，电影级音视频同步生成，打破闭源技术垄断
今天上午，上海创智学院 OpenMOSS 团队与模思智能发布端到端音视频生成模型 MOVA，它是中国首个高性能开源音视频模型，能实现音画同出，全栈开源打破闭源技术垄断。
LLM 没意思，小扎决策太拉垮，图灵奖大佬 LeCun 离职做 AMI
图灵奖得主 Yann LeCun 宣布年底从 Meta 离职创业，聚焦高级机器智能研究项目 AMI。他离职是因与 Meta 在 AI 发展路线上冲突，且不满 LLM，坚持基于“世界模型”的下一代 AI 技术。
硅谷热议：最快语音转文字模型
AI语音独角兽ElevenLabs发布Scribe v2 Realtime实时语音转文本模型，实现150毫秒超低延迟、93.5%高准确率，覆盖90多种语言，打破速度与精度不可兼得困境，此前该领域痛点多。
Self-Evolving Agents，AI的“自我革命”
LLMs静态性成应用瓶颈，自演化智能体成破局关键。本次分享的综述围绕演化什么、何时演化、如何演化三个核心问题展开，介绍了模型、记忆等方面的演化内容、时机和方式。