搜索：图像理解与生成

「图像理解与生成」共找到 2990 篇相关文章

给 Agent 装个 Skill：3dviz-pro-max，TA也能搭出像样的 3D 场景！

当前AI Agent生成Three.js 3D场景常出现代码正确但渲染效果异常，自身无法发现问题。本文介绍开源项目3dviz-pro-max，这是专为Agent打造的3D可视化Skill，通过流程约束、知识库和自检工具让Agent可自主调试输出合格3D场景。

7月23日，量子信息领域一道悬了25年的难题出现两份独立证明，一份由GPT - 5.6 Sol生成，另一份人类署名论文被质疑与GPT - 5.6 Sol输出相似且无AI使用声明。GPT - 5.6 Sol半月内已在多学科产出证明，引发学术署名规则讨论。

菲尔兹奖得主Michael Freedman认为人类真正创造和关心的数学本质是「柔软且可塑」的。他在最新论文提出「压缩，就是你所需要的全部」，并在采访中探讨人类数学直觉与机器逻辑的鸿沟，认为理解压缩机制是人类与AI在数学领域协作的起点。

南京大学傅朝友团队在Google Gemini评测团队邀约下推出视频理解新基准Video - MME - v2。它有创新的分层能力体系与组级非线性评分，经超3300人工时标注。评测显示模型与人类差距大，还揭示传统Acc指标虚高、‘Thinking’并非总增益等现象。

据彭博社消息，李飞飞创办的World Labs正以约50亿美元估值进行新一轮最高5亿美元融资。此前已累计融资2.3亿美元。该公司研发“大世界模型”，推出3D世界生成模型Marble。此外，Yann LeCun创办的AMI Labs也获资本关注。

特斯拉世界模拟器在ICCV亮相，可生成自动驾驶挑战场景，对具身智能也有用。其自动驾驶副总裁Ashok Elluswamy称端到端AI是未来，还揭秘技术细节，特斯拉也在解决端到端面临的难题。业界对端到端路线有VLA和世界模型之争。

为解决开源模型在仓库级代码理解上的能力瓶颈，蚂蚁全模态代码算法团队提出 CGM 架构，融合仓库结构与语义信息。CGM 首创图结构与语言模型融合的对齐框架，还搭配了 GraphRAG 框架，在多个代码任务中表现出色，且相关资源均已开源。