搜索：视觉推理能力

「视觉推理能力」共找到 4926 篇相关文章

吴恩达来信：AI 技能正在重新定义优秀开发者的标准

吴恩达指出市场对懂 AI 的开发者需求大，应届生失业率上升。面试看重利用 AI 辅助开发等能力，具备这些技能的人效率远超传统开发者，AI 工程正掀起变革，基础与 AI 知识结合造就高效开发者。

路透社消息，美国政府与英特尔达成协议，将掏89亿美元买其4.333亿股普通股，占股9.9%，加上之前拨款，总投资达111亿美元。此交易引发各方争议，美国政府意在提升本土芯片制造能力。

Google官方发布nano banana使用指南，介绍其核心能力，如角色一致性、精确局部编辑等，还给出写提示词的6要素、5种实用技巧，同时指出模型存在风格化不一致、文字渲染易出错等问题。

现有强化学习算法基于理想化交互模式，难应对真实环境。Mila 实验室两篇 ICLR 2025 论文提出实时强化学习框架，分别解决推理延迟和动作缺失问题，还可结合使用，对关键领域意义重大。

谷歌开放Gemini Omni Flash API，将多模态推理与视频生成编辑结合，有4项关键能力，也有局限。Nano Banana 2 Lite出图快且便宜。二者串联使用，图像生成与视频创作可无缝衔接。

多模态大模型中“潜在视觉推理”概念很火，研究者让模型在潜在空间“想象”。但清华和北交学者论文指出，潜在 Token 不关心输入、不影响输出、没信息量。作者提出 CapImagine 方案，效果远超潜在空间方法。

阿里千问发布AI PPT生成工具Qwen AI Slides，从内容结构到视觉配图全包。实测显示，其语义理解能力不错，文本渲染在简单字体表现好，排版有小瑕疵，适合课堂展示等场景。

阶跃星辰多模态智能团队开源STEP3-VL-10B多模态模型，仅100亿参数却性能惊人。它采用了独特的架构、训练策略与推理机制，在多任务上表现出色，为小模型发展提供新思路。

据爆料，DeepSeek计划在2月中旬春节前后发布V4模型，剑指编程王座。其在编程能力、超长上下文代码处理、算法提升、推理能力上有突破，或延续高性价比路线，在受限硬件下靠算法取胜。

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。