搜索：视觉-语言生成

「视觉-语言生成」共找到 3510 篇相关文章

又是浙大校友！AI眼镜“隔空取物”，戴上即可随心选中现实世界任意物体

混合现实重塑人机交互边界，但传统XR设备选物易出错。研究团队提出Reality Proxy，即现实物体的抽象数字表示，将交互目标转移到代理上，便于用户摆脱限制选物，还支持多种交互功能。

Windows MCP 是轻量级开源项目，能让 AI Agents 与 Windows 无缝集成。它弥合大语言模型与 Windows 差距，可执行文件导航等任务，有诸多关键特性，还给出在 Gemini CLI 和 Claude Desktop 的配置方法。

当前大型语言模型面对新知识、动态环境时存在固定参数瓶颈，自进化智能体研究应运而生。本论文作为该领域首部系统性综述，提出革命性框架，解析自进化智能体技术脉络与未来挑战。

腾讯 CodeBuddy IDE 海外版开启内测，国内版预计 8 月上线。它定位‘下一代 AI 全栈高级工程师’，内置 4 个智能体，助力全链路研发。腾讯内部超 43% 代码由 AI 生成，编码时长缩短 40%。

文章围绕多模态检索增强生成（MRAG）的关键技术展开。介绍多模态文档的三种类型，阐述文档解析与索引的方法，包括基于提取和基于表示的方法，还指出基于提取方法存在的局限性。

在大规模TTS系统中，自回归模型难精准控制语音时长。Bilibili推出IndexTTS2，支持两种生成模式，实现情感表达与音色解耦，引入GPT潜在表示，设计‘软指令’机制，降低情绪控制门槛。

周杰伦抖音首条1400多万点赞的AI视频，将其人生节点与专辑串联，有史诗叙事感。文章介绍用AI视频首尾帧功能制作视频的方法，还举例岳云鹏、《甄嬛传》、科比等，称AI能倒转时空。

在多模态大语言模型应用多元的当下，对模型理解人类意图需求迫切。阿里巴巴通义实验室团队推出HumanOmniV2，解决现有推理路径问题，其相关代码等开源，在多基准数据集成果突破性领先。

文章围绕AI陪伴硬件展开讨论，邀请创业者探讨产品角色定位、性别设定、用户反馈等问题。指出产品应注重主体性，避免破坏角色感，还提及应对同质化竞争、产品寿命、视觉研究等方面的思路。

大语言模型有「记忆」缺失问题，国内顶尖团队打造出操作系统级AI记忆框架MemOS并开源且可商用。它将「记忆」升为「一级资源」，用MemCube封装记忆，评测显示性能优于OpenAI全局记忆方案。