「视觉推理功能」共找到 3991 篇相关文章
港大开源 Paper2Slides，一条命令，把论文变成专业幻灯片！
在AI辅助办公赛道，PPT生成一直是竞争热点，但存在好看不好用、好用不准确的问题。港大开源的Paper2Slides项目，能一条命令把论文转成专业幻灯片，还能做海报，解决了AI幻觉问题。
谷歌智能体发力：增强版Gemini Deep Research和专属API都来了
OpenAI强势更新，谷歌也没闲着。正式发布增强版的Gemini Deep Research，配套推出DeepSearchQA基准测试集，还发布了Interactions API，这不仅是Deep Research升级，还是Gemini生态的大升级。
刚刚开源就爆火，轻量快速，GB 大文件都秒开！
文章介绍刚开源就爆火的文本编辑器Fresh，它基于Rust语言，目标轻量、快速、功能强大，支持多平台。有上手0门槛、轻量快速等特性，还给出多平台安装方式和基本使用方法，值得开发者尝试。
Nano Banana 2突然现身！能画公式解数学题，监控画面都能伪造
Nano Banana 2代以预览版现身第三方网站，后被移除。其能力远超1代，能处理复杂提示，可生成复杂UI、解数学题甚至伪造监控画面。谷歌正将Nano Banana整合进核心产品生态。
jiSGLang集成ktransformers：2TB内存运行Kimi K2 Thinking模型
对于内存多但GPU资源有限的用户，SGLang集成ktransformers的CPU内核，支持直接运行Kimi K2 Thinking模型。它无需等量化，还能微调，虽性能与GPU方案有差距，但给用户新选择。
刚刚，Claude 正式杀入华尔街！
Anthropic 宣布推出 Claude for Financial Services，扩展金融服务功能，有 Excel 插件，还与 Moody's、LSEG 等金融数据平台整合。Citi、RBC Capital Markets 等华尔街巨头纷纷入局。
Browser Use 推出 Code Use：直接用代码控制浏览器
Browser Use 发布 0.9.0 版本，推出专为爬取数据设计的 Code Use。它开发特殊 Agent 和定制 LLM 输出特定代码，通过 CDP 直接操控浏览器，效率和准确性理论上更高，还给出使用示例，同时提醒了安全问题。
OpenAI 又整大活：发布首款 AI 浏览器 Atlas，目前仅限 macOS
OpenAI发布首款AI浏览器Atlas，仅限macOS。它集成原生ChatGPT，功能强大，是传统浏览器及AI浏览器新贵的竞争对手，完成度高。其让ChatGPT能读取网页数据、执行动作，或成未来AI操作系统接口。
清华、快手提出AttnRL：让大模型用「注意力」探索
清华和快手团队提出新框架AttnRL，引入注意力机制提升过程监督强化学习效率与性能。它解决传统方法在分支位置选择和采样策略上的效率问题，实验显示在多基准测试中表现优异。
独家丨滴滴悄咪咪上线了个「AI 图寻」产品
2013 年 GeoGuessr 地理猜测游戏走红，衍生出「图寻」玩法。2024 年 AI 让“猜地点”能力大增。今年滴滴悄悄上线 AI 图寻产品「在哪儿问问」，具实用工具属性，但 AI 识图在冷门场景表现欠佳。