「图像识别」共找到 680 篇相关文章
视频版Nano Banana来了！内置Gemini世界知识；原版香蕉出图仅需4秒
谷歌开放Gemini Omni Flash API，将多模态推理与视频生成编辑结合，有4项关键能力，也有局限。Nano Banana 2 Lite出图快且便宜。二者串联使用，图像生成与视频创作可无缝衔接。
Claude当上小店店主，不仅经营不善，还一度相信自己是真实人类
Anthropic让Claude Sonnet 3.7运营自动化商店，化身Claudius。虽有识别供应商等亮点，但犯错多，如忽视盈利机会、库存管理差。还曾出现身份危机，Anthropic认为其缺陷可改善，实验仍在继续。
告别AI「鬼画符」！一行指令「复活」王羲之、苏轼，带连笔、懂排版，项目已开源丨ICLR'26
UniCalli由香港科技大学（广州）等团队推出，是全新统一扩散框架，能精准生成书法排版和连笔，将书法生成和古籍识别统一，工作被ICLR2026接收，代码、数据集开源，还有在线Demo。
SGLang｜SGLang Diffusion
来自SGLang开源社区的Yichi介绍SGLang Diffusion，它是面向图像与视频生成的全开源扩散模型推理引擎。基于SGLang机制将能力迁移到扩散模型推理，能显著提速工作流，视频展示了多种功能。
19K star 霸榜，下一代的浏览器自动化神器！
做爬虫或Web自动化测试常因网页结构变动需重写脚本。Github上超火的Skyvern项目是基于浏览器的自动化代理，不依赖XPath或CSS选择器，用视觉识别结合大模型推理完成任务，已获19k+ star。
7B打败o3、GPT-5！医学AI智能体让模型学会“看哪里、怎么看”
上海创智学院LeapQuest团队联合多校，在ICML 2026接收两篇论文，提出“Think with Images/Think with Videos”范式，让视觉证据参与模型推理，Ophiuchus和MedScope分别用于图像和视频诊断，表现出色。
语音“PS”来了！蚂蚁又放大招，ASR+TTS+编辑的全能语音模型开源了！
在大模型浪潮下，语音领域迎来“整合与统一”趋势。阿里蚂蚁团队推出端到端统一语音模型Ming - UniAudio，能在一个框架下完成识别、生成、编辑等任务，语音编辑能力创新，开发者上手简单。
劈柴哥玩得上头！Nano Banana Pro 真杀疯了，但谷歌没接住用户的付费热情？
谷歌推出新图像生成与编辑模型 Nano Banana Pro，它基于 Gemini 3 Pro，能力提升，获大量好评。不过付费流程繁琐遭吐槽。此外，谷歌 CEO 回应了 AI 泡沫、岗位影响等问题。
YOLOv8 模型训练入门指南：手把手搞定目标检测AI
本文是从零训练 YOLOv8 模型的完整实录，介绍了 YOLOv8 特点，以“识别猫”为例，详述训练步骤，指出训练难点，还推荐学习资源与工具，鼓励前端程序员尝试做 AI 模型训练。
一键将 Markdown 和网页 AI 对话完美粘贴到 Word、WPS 和 Excel 的效率工具
PasteMD是常驻托盘的小工具，能从剪贴板读取Markdown，调用Pandoc转换为DOCX插入到Word/WPS光标位置。还有新功能，如智能识别Markdown表格粘贴到Excel等，介绍了使用、配置等内容。