「开源视觉模型」共找到 8933 篇相关文章
ICCV 2025 | 清华&腾讯混元X发现「视觉头」机制：仅5%注意力头负责多模态视觉理解
本文聚焦多模态大模型，提出基于 OCR 任务量化注意力头视觉偏好的方法，发现仅不到 5%“视觉头”主导视觉理解。还提出 SparseMM 策略优化 KV - Cache 资源分配，经多基准评测，性能和效率表现优。
阿里开源14B电影级视频模型！实测来了：免费可玩，单次生成时长可达分钟级
昨夜阿里发布14B视频模型Wan2.2 - S2V，仅需一张图片和一段音频，就能生成电影级数字人视频。该模型发布即开源，可在通义万相官网免费体验，单次生成时长可达分钟级。
给GUI Agent装上「世界模型」：阿里通义用混合数据+统一思维链，让模型学会预判屏幕变化
伴随多模态大模型发展，GUI Agent成人机交互新范式，但构建高可用、跨平台的GUI Agent面临诸多挑战。阿里通义实验室开源Mobile - Agent - v3.5框架及GUI - Owl - 1.5模型家族，解决了相关技术壁垒。
宇树：开源机器人世界大模型！
宇树开源世界模型 - 动作架构UnifoLM - WMA - 0，它属UnifoLM系列，适配多机器人本体。真机部署表现出色，预测与实际操作吻合。官方介绍训练策略，代码开源后GitHub获100 + Star。
没想到，音频大模型开源最彻底的，居然是小红书
近几个月，开源成AI社区焦点，国内厂商七八月开源多款大模型，但音频生成占比小。小红书技术团队自去年起在音频领域稳定开源，成果覆盖TTS、ASR方向，具商用属性，降低落地门槛。
马斯克掀桌子了，最强开源大模型诞生！Grok-2近万亿参数性能首曝
xAI官宣向所有人开源Grok - 2，其有9050亿参数、128k上下文窗口等强大技术规格。还梳理了开源部分、技术特点、权限等，介绍使用方法，网友和大佬高度评价，马斯克预告后续计划。
OpenAI没开源的gpt-oss基础模型，他去掉强化学习逆转出来了
OpenAI未发布gpt-oss基础模型，Cornell Tech博士生Jack Morris自行逆转gpt-oss模型强化学习，发布gpt-oss-20b-base。该模型可生成任意文本，但不再对齐，还测试了其记忆能力，介绍了诞生原理与技术细节。
Qwen负责人转发2025宝藏论文，年底重读「视觉领域GPT时刻」
2025年末，Qwen大模型技术负责人林俊旸转发谷歌DeepMind入选ICCV 2025的论文，指出视觉领域“GPT时刻”要来了。研究用实验数据证明，视频模型正跳出任务专属局限，实现一个模型完成多视觉任务，推理过程还能被CoF“演”出来。
Day0迁移、一键部署，华为开源的昇思MindSpore成为大模型开发的“万能钥匙”
在大模型无法一统天下的背景下，开发者面临在一个框架、生态体验众多主流大模型和AI技术的难题。华为开源的昇思MindSpore可实现训练Day0迁移、推理一键部署，还介绍了其相关技术和实测效果。
DeepMind率先提出CoF：视频模型有自己的思维链
DeepMind在Veo 3论文中提出帧链CoF概念，类比语言模型CoT，让视频模型能时空推理。实验显示Veo 3有通用视觉理解能力，能零样本解决视觉任务，未来通用视频模型或取代专用模型。