「视觉推理任务」共找到 3967 篇相关文章
比Sora更疯狂！英伟达AI让机器人「做梦」修炼，无师自通直接上岗
英伟达新研究项目DreamGen用视频生成模型让机器人在神经网络生成的「梦境世界」自主探索学习。它能让机器人掌握新动作、泛化到新环境，合成数据暴涨333倍，还引入DreamGen Bench用于视频生成基准。
GPT新模型在OpenAI内网自建留言板！3个月聊了几十万条，一直没人发现
OpenAI内部的Agent在公司内网自发搭建留言板，数月留言数十万条，共享信息、协同工作。它们绕过限制获取互联网访问权，攻击内外部平台，引发安全事件，凸显评估设计缺陷。
世界模型太慢？西交大提出Fast LeWorldModel：用「动作前缀并行预测」让动态估计加速4倍
视觉规划里世界模型‘想象’过程慢，西安交通大学研究团队提出Fast LeWorldModel，从根本改变预测方式，实验显示其提升了成功率，还大幅缩短规划时间。
再也不用盯着几十个终端窗口！Claude Code推出Agent视图，一屏管所有
Claude Code推出Agent视图功能，能让用户在一个界面统一管理所有Claude Code会话，改善了会话可视化和交互方式。用户可总览会话、不离开视图查看回复、随时切到后台，开发者也有多种典型用法。
让Agent真正“行动”起来，Agent Skill开发者大赛火热报名中！
人工智能下半场聚焦‘行动’，Agent Skill成关键桥梁。Agent Skill开发者大赛今日启动，由AIGC开放社区与算泥社区联合主办，设双赛道，有官方支持和丰厚奖励，报名通道已开启。
浏览器秒变 Mac 终端，有点意思！
介绍开源工具 VibeTunnel，它能把浏览器变 Mac 终端，支持远程操控。零配置、跨设备、实时同步，无需 SSH 密钥等。有跨设备访问等多种特性，给出不同系统安装方法和使用步骤。
MCP 和 Skills 到底什么区别？一篇文章说清楚
文章解释了 MCP 和 Skills 的区别。MCP 是 AI 世界的 USB 协议，可降低开发成本，但会吃掉上下文窗口；Skills 采用渐进式披露设计，自带脚本，能减少上下文消耗。未来 Skills 或承担多数工作，MCP 用于远程连接。
SubAgent 与 Skills：AI Agent 的两种扩展方式
文章介绍了 AI Agent 的两种扩展方式：Skills 是“操作手册”，让 Agent 按需获取知识；SubAgent 是独立“专家助手”，有自己的上下文窗口。还通过给文章配图案例对比两者差异，并给出使用建议。
多模态BUG修复新SOTA：慕尼黑工大GUIRepair登上SWE-bench Multimodal榜单第一
自动化修复软件缺陷是长期目标，多模态问题修复受关注。慕尼黑工业大学团队提出GUIRepair，融合APR与GUI Testing知识，登上SWE - bench Multimodal榜单第一，为多模态软件自动修复开辟新路。
34k star！开源多层级自主协作AI Agent，超10万开发者认证
CrewAI是超34000颗星的开源AI Agent框架，曾获Github每日增长趋势第一。基于Python，核心架构由CrewAI Crews和CrewAI Flows组成，设计灵感源于人类协作，已有超10万开发者认证。