「视觉推理任务」共找到 3971 篇相关文章
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。
解放双手！开源 AI 桌面智能体
桌面智能体Bytebot是拥有专属计算机的人工智能，有完整虚拟桌面。它能使用任意应用、处理文档等。赋予AI独立计算机可解锁新能力，项目地址为https://github.com/bytebot-ai/bytebot。
刚刚，谷歌发布机器人最新「大脑」模型！思考能力SOTA，还能「跨物种」学习
谷歌旗下DeepMind发布Gemini Robotics 1.5系列模型，包括Gemini Robotics 1.5和Gemini Robotics - ER 1.5，能让机器人学会‘思考’，还可跨具身形态学习技能，有望开启通用机器人新时代。
Claude for Chrome来了！可作为浏览器扩展程序直接使用
Anthropic发布浏览器agent Claude for Chrome，可作Chrome扩展程序使用，能设日历、回邮件等。目前仅向1000名Max套餐用户开放，因使用浏览器的AI有安全挑战。AI浏览器成巨头争夺战场。
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。
浙大打造全球最大类脑计算机，拥有20亿个神经元，接近猕猴大脑规模，能运行DeepSeek
浙江大学脑机智能全国重点实验室发布全球规模最大类脑计算机“Darwin Monkey（悟空）”，用Darwin 3芯片构建，有超20亿脉冲神经元与1000亿突触连接，逼近猕猴大脑规模，能运行DeepSeek等应用。
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。
英伟达让机器人「做梦学习」，靠梦境实现真·从0泛化
英伟达推出DreamGen项目，让机器人‘做梦学习’。它利用视频世界模型生成神经轨迹，仅少量现实视频就能让机器人学会新任务，实现从0泛化，还将助力GR00T - Dreams发展。
VLA动作预测必须经过LLM吗？TurboVLA仅0.2B参数，RTX 4090上跑出32Hz在线动作预测
近年来，VLA模型成通用机器人控制重要路线，但模型大、动作更新慢的矛盾凸显。华中科技大学联合华为提出TurboVLA，绕开大语言模型，形成V+L→A路径，降低成本，保持操作能力。
Lucide 1.0 发布，移除品牌图标，并缩减数百万个项目的包大小
Lucide 1.0 发布，它是开源图标工具包，是 Feather Icons 分支。此次移除品牌图标，缩减 lucide - react 包大小，还引入上下文提供程序等改进，社区反响有赞有弹。