「视觉智能体」共找到 3984 篇相关文章
斩获5.5K star！！AI 加持到位，安全感拉满，这个升级版开源知识库神器太顶了！
两个月前分享的开源AI知识库项目PandaWiki，迭代速度惊人。此次更新多个大版本，编辑器体验提升，AI成智能客服，支持20+家模型供应商，还优化团队协作功能和诸多细节，更成熟实用。
让Skill“有图可依”：openJiuwen首发多模态Skill范式Skill-Omni
openJiuwen社区发布业界最早工程化落地的多模态Skill范式Skill-Omni，让Agent经验从‘读得懂’升级为‘看得见’。它能将网页和视频视觉知识沉淀为多模态Skill，还介绍了生成及读取方式和适用任务。
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。
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。
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。
浙大校友打造AI代码测试神器，零代码零bug，30分钟创建网站
浙大校友打造的智能测试平台TestSprite 2.0，零代码零bug，30分钟创建网站，能让AI写代码准确率从42%跃升至93%，还可自动生成测试报告、调试修复错误，全程无需人工干预。
OpenClaw机器人引爆天网！首次拥有世界记忆，天网在GitHub「开源」了
全球开源机器人圈被引爆，装载OpenClaw的宇树人形机器人开始理解时空，拥有“世界记忆”能力。这是具身智能里程碑式突破，成果开源且硬件无关。网友看法不一，开发者回应质疑。
美团又上新模型，8个Thinker齐开工，能顶个诸葛亮？
临近春节，美团 1 月 15 日更新 LongCat - Flash - Thinking - 2601 模型。它有 5600 亿参数，引入重思考模式，智能体能力提升。实测表现佳，适合特定场景，其技术改进独特，还将推出 ZigZag Attention。