「视觉推理功能」共找到 3991 篇相关文章
Meta打碎Transformer 8年铁律！改写AI最底层规则，模型首次冒出潜意识
Meta推出「自由Transformer」新模型，打破自2017年以来GPT模型核心规则，在解码器引入潜在随机变量Z，增加“潜意识”。仅增约3%计算开销，在多测试中超越大规模模型，或开启后自回归时代。
69 页最新报告丨AI Agent 圣经：智能体的终极指南
AI Agent 定义下一轮科技创新浪潮，众多公司积极布局。CBINSIGHTS《AI Agent Bible》报告梳理其前景趋势，含六大预测与生态版图，解析市场格局等，还展示智能体重塑企业运营方式。
登顶AndroidWorld开源榜首！可以操作手机的移动端AI Agent。
Minitap开源的手机Agent登顶AndroidWorld开源榜首，亮点是能操控安卓与iOS模拟器。用户用自然语言就能完成复杂任务，还具备跨平台控制、全场景交互等特点，项目可快速部署。
无限长、零掉帧！StableAvatar口型同步全新技术
当前音频驱动头像视频生成扩散模型合成长视频时难兼顾音频同步与身份一致，瓶颈在音频建模。复旦大学提出StableAvatar，首个端到端视频扩散Transformer，能无限时长生成，还介绍原理与演示效果。
世界最老程序员——这个91岁的老码农用AI 搞了个教会志愿者管理系统
91岁从未碰过代码的John Blackman，在孙子介绍下，用Claude和Replit的AI agents，仅两天就搭建出教会志愿者管理系统，还分享开发到生产的挑战及使用反馈。
Deep Search 如何理解业务仓库代码？
文章系统介绍Deep Search和Deep Research概念、与传统RAG区别、主流商业产品与开源方案、在代码领域应用及未来规划。提出Deep Search方案，构建独特代码理解与检索架构，还计划研发专用代码搜索Agent。
震撼好莱坞，一天AI生成10部短片，Google神器比肩一个影视工作室
Google的AI视频神器Veo 3刷屏，使用门槛低，生成效率高，效果震撼。它能生成二次元、科幻、仙侠等多种类型短片，虽有不足，但极大促进AI视频发展，适合多行业基层人员。
12秒生成1万token！谷歌推出文本「扩散模型」Gemini Diffusion，研究员：演示都得降速看
谷歌将图像生成常用的“扩散技术”引入语言模型，推出Gemini Diffusion，12秒能生成1万tokens，速度比Gemini 2.0 Flash - Lite更快。它通过逐步优化噪声学习生成输出，目前是实验性演示，可申请体验。
炸裂！微软开源Windows子系统
今天凌晨微软宣布开源适用于Linux的Windows子系统WSL。它能让开发者在Windows上运行Linux环境，无需虚拟机或双引导。还介绍了WSL工具、架构及文件共享机制，回顾其发展历程。
继MCP、A2A协议之后，又一个Agent协议AG-UI来了
AI Agent交互协议不断演进，在MCP、A2A协议后，copilotkit发起AG - UI项目，构建开放、轻量级、基于事件的Agent - 用户交互标准化协议，侧重前端交互，已获部分框架兼容。