「视觉推理能力」共找到 4926 篇相关文章
阿里开源自主搜索AI Agent，搜论文、网站资讯无所不能
今天凌晨，阿里开源创新自主搜索AI Agent——WebAgent，具备端到端自主信息检索与多步推理能力。还介绍了WebDancer框架从数据构建到训练优化各阶段，助其完成复杂信息检索任务。
如何判断AI视频真假？综述动态、可溯源、可解释的检测体系 | ACL26
AI视频生成技术发展迅速，现有检测方法难满足需求。最新综述提出「事实保真度验证」目标，梳理出视觉与语言双视角的四层检测框架，还分析了检测方法演进、评测指标和数据集，为AI视频检测提供落地地图。
港股新贵押注物理AI，乐动机器人打造万亿市场空间的核心基础设施
物理AI时代，机器人需「读懂」物理环境，环境感知能力成竞争焦点。乐动机器人过去十年围绕此布局，有空间感知技术先发优势，其自研模型与架构构建数据飞轮，有望完成向感知基础设施平台的身份重塑。
生数科技认领神秘登顶模型：AI视频公司拿出工业级Demo，跨本体跑通复杂长程任务
生数科技认领神秘登顶模型MotuBrain，该模型4月中旬悄登两国际benchmark。它将预测与行动统一，具一脑多型等能力，技术上走边看边动路线，有响应快等优势。生数科技双轨布局，Vidu与MotuBrain同根。
Scaling 时代落幕：Ilya 眼中下一代 AI 的关键，不在模型，在人类
深度学习亲历者 Ilya Sutskever 认为单靠扩大模型规模推进 AI 的时代已结束，未来关键在于解决 AI 泛化难题。他指出当前模型评测与现实能力脱节，人类泛化能力强或源于进化，还探讨了价值函数等内容。
DeepSeek重磅开源3B OCR模型，一天处理20万页文档！一天内斩获6K标星！
DeepSeek开源3B OCR模型DeepSeek - OCR，参数量仅30亿，单张A100 - 40G一天能处理20万页文档，不到24小时获6K标星。它是视觉压缩引擎，解决大模型处理长文本算力爆炸问题，有诸多技术亮点。
首个开源实现100%可复现的稳定RL训练框架来了！2次结果完全重合
SGLang团队联合slime团队开源实现100%可复现的稳定RL训练框架。基于Qwen3 - 8B重复实验结果完美重合。SGLang在批次不变算子基础上实现确定性推理，性能有下降但有提升空间，还给出使用方法和未来规划。
SCPMA|清华大学 张宇飞团队：基于改进傅里叶神经算子的翼型流场快速预测模型
传统计算流体力学在工程场景计算成本高，深度学习方法预测精度与泛化性不佳。本研究基于傅里叶神经算子构建流场预测模型，经改进能精确预测超临界翼型流场与气动力系数，误差低且泛化能力优。
抢先体验GenFlow2.0：未来多Agent协作的理想形态
作者在百度邀测会抢先体验Genflow 2.0，用其解决小学教改信息查询问题，还让它生成创意图片。它得益于“沧舟OS”，有流畅、并发且跨模态能力，架构全自研，测试版亮点多，值得期待8月正式上线。
全球首创！B站推出影视级TTS语音模型，支持零样本语音+情绪双克隆，精准时长控制！
近日，B站语音团队推出全新一代语音合成模型IndexTTS2，提供影视级音质、情绪克隆和时长控制。其情绪与时长精细控制功能全球首创，还具备零样本语音克隆等能力，支持本地运行与中英文双语。