搜索：开源视觉模型

「开源视觉模型」共找到 9003 篇相关文章

一个开源平台，编织起了Agent「互联网」

如今 Agent 单体能力强但系统分散，开源平台 Octo 应运而生。它由明略科技打造，可聚合 Bot，让其成为企业级资产。Octo 重写协作，有 Matter 沉淀任务，塑造 Taste 让 Agent 更懂用户，还有六种协作模式。

本文介绍通过MCP Server和大模型结合实现云产品管理的自然语言操作。作者分享上手体验、探究原理、进行代码验证，解决使用问题，还提出后续优化方向和未来展望，如拆分MCP Server、建立云产品Agent等。

视障患者用AI评估外貌引发关注。失明记者Milagros Costabel撰文探讨用视觉语言模型作“虚拟镜子”的挑战与隐患，如AI会给出评判性反馈，心理学家担心这加剧抑郁焦虑。产品应提供客观解读。

华东师大&字节跳动系统回顾基于强化学习的MLLMs推理进展，涵盖关键算法设计、奖励机制创新及实际应用，探讨了RL在LLMs/MLLMs中的关键设计与优化策略，还涉及多模态大模型推理多方面内容。

北大彭宇新团队提出 NS - Diff，将物理约束与强化学习结合，解决视频生成物理失真问题。它通过多模块提升视频物理真实感，实验表明在多数据集上超现有方法，降低物理运动误差。

本周，闭源模型用户意外发动网络攻击，闭源模型因防护机制无法协助防御，开放模型 GLM 5.2 却助力应对。吴恩达认为应重视模型使用的责任，开放模型能让技术更透明安全。

此 GitHub 仓库含 93+ 生产级 AI 项目，覆盖大语言模型、RAG、Agent 等主题。有不同难度项目及教程，适合各水平人士，还给出新手入门学习路径，采用 MIT 许可。

文章介绍本周5个Github优质开源项目。有基于云服务的CloudPaste，排版强的Quarkdown，视频下载工具Media Downloader，双语翻译插件FluentRead，还有全能安卓助手LinkAndroid，各有特色功能。

作者因旅行照片不尽人意，开发开源 Skill Yingzao · 营造。它风格多样、能检索文化背景，可进行原图对比拼图、多图融合等，适用场景广，还能生成视频，工作方式独特。

Alibaba开源WebDancer，从数据和训练阶段出发提出端到端自主信息检索代理构建范式。实验中，它在GAIA和WebWalkerQA基准测试表现出色，处理复杂信息检索优势显著。