「视听场景理解」共找到 2641 篇相关文章
分割一切并不够，还要3D重建一切，SAM 3D来了
深夜 Meta 重大更新，上线 SAM 3D、SAM 3。SAM 3D 含物体与场景重建、人体形状与姿态估计两模型，能将 2D 图转 3D 重建结果。SAM 3 可检测、分割与跟踪图像视频物体。Meta 开放模型权重与代码，推体验平台。
第二代InfLLM开源，同尺寸快三倍！零参数，可训练稀疏注意力
新智元报道，清华、OpenBMB和哈工大提出零额外参数、训练高效的原生稀疏注意力框架InfLLM-V2，仅用5B长文本词元就能完成训练，相比稠密注意力机制有显著加速，性能接近传统稠密模型。
8 个月营收提高 4 倍，n8n 为什么是 AI Agent 最受欢迎的搭建平台？
n8n 从工作流自动化工具升级为 AI 应用编排层，8 个月营收提 4 倍，正进行超 1 亿美元融资。它能与 AI 无缝集成、社区活跃，使用场景广，有云服务和企业级服务，在竞争中有优有劣，采用独特开源许可。
GPT-5超越人类医生！推理能力比专家高出24%，理解力强29%
最新研究显示，GPT - 5在医疗领域处理多模态信息能力出色，在多模态测试中推理和理解得分比GPT - 4o分别提高近30%和36%，比人类医生还高。其能力提升源于端到端多模态架构，但现实应用还需更多实战考验。
大模型外挂“三维物体知识库”来了，大幅增强机器人长程自主操作能力
现有视觉语言大模型（VLM）能让机器人理解指令，但在操作中缺三维空间知识。近日研究提出 RAM 框架，它像“三维物体知识库”，为 VLM 补充空间知识，经 14 项实验验证其操作能力，还探索了在铰接与柔性物体操作中的应用。
谷歌最强大模型付费上线，在DeepSeek开源后被吐槽太贵
谷歌最强模型Gemini 3 Deep Think上线，推理能力强，能将草图变3D场景、搭建游戏。它在多评测基准表现出色，准确率超GPT - 5 Pro等。但仅向Ultra会员开放，月费约1800元，被吐槽贵，开源的DeepSeek-V3.2成冲击因素。
AI大模型开发核心技术栈：从框架到部署的全景解析
本文为开发者提供2025年AI大模型开发核心技术栈图谱，解析四大核心支柱技术。基础开发框架含深度学习与AI Agent框架；模型训练与微调有分布式训练、参数高效微调；推理优化含关键技术与主流框架；AI编程辅助工具分主流形态且有发展趋势。
年入6亿、日本细分赛道第一，国产AI 硬件如何拿下日本智能家居市场？
国产 AI 硬件 SwitchBot 拿下日本智能家居市场市占第一。它单价低、安装灵活，以“非入侵式后装”理念，从智能开关拓展到多品类。2023 年扫地机器人 K10+ 大获成功，后又用 S10 试水美国市场，还推出 K20+ Pro 拓展场景。
AI真有希望考清北了！豆包1.6多模态推理发威，闯关数理化带图大题
火山引擎原动力大会发布豆包大模型1.6，它是国内首款多模态SOTA模型，支持256k上下文长度。实测中它解答高考数理化带图大题表现出色，还具备图像识别、视频理解、GUI操作等能力。此外，火山引擎还推出系列工具和平台助力企业。
用超图撕开知识边界：16万节点无师自通搞Agentic科研
传统知识图谱只能用三元组描述世界，难以应对真实科学场景里的多体交互。作者提出将文献里n元关系存成超图超边，让LLM在多智能体框架里‘沿着超边走路’，并构建了超图进行实验，实现可验证的科学发现。