「视觉功能」共找到 2160 篇相关文章
揭秘开源Agentic‑Doc真能支撑120 W+ 查询？医疗/金融/法务都在用，确实是有这么 6~~~
LandingAI的Agentic Document Extraction是领先OCR且具视觉结构化能力的Python SDK，可处理复杂文档。它功能丰富，架构合理，支持多格式输出。在多行业有应用，性能提升显著，与同类项目相比优势明显。
长视频会议纪要、访谈节目精剪AI神器
WhisperVideo是用于长篇幅、多说话人视频的简洁演示系统，专为真实对话构建。它有SAM3视频分割、TalkNet主动说话人检测等功能，具备视觉关联说话人归属等特性，文中还介绍了安装、运行等内容。
GPT-5.2 发布：做表格、写 PPT、敲代码 | 打工人的生产力利器
GPT - 5.2发布，在GDPval评测等众多基准测试中刷新行业水平。GPT - 5.2 Thinking适合真实场景与专业工作，在知识型任务、编码、长上下文处理、视觉理解、工具调用等方面表现出色，部分功能需付费使用。
The Batch: 954 | Kimi K2.6 挑战开源权重模型领先者
Moonshot AI升级后的Kimi K2.6是1万亿参数的视觉 - 语言模型，专为代码生成设计，性能与Qwen3.6 Max Preview等相当，略逊顶级闭源模型。其功能多，幻觉率低，模型权重可免费下载。
刚刚，GPT-5.4 发布，百万上下文、最强全能模型
OpenAI发布GPT - 5.4，集推理、编程等能力于一体，支持百万级上下文窗口。有三个版本，功能全面升级，如支持中途打断、电脑操作、视觉能力提升等，还更省token、少幻觉，安全机制完善，价格有调整。
昆仑万维多模态视频生成开源，影音图文全统一
昆仑万维开源的SkyReels-V3，通过统一多模态上下文学习框架，实现参考图像生成视频、视频持续扩展及音频驱动虚拟数字人功能，在视觉质量与指令跟随性上逼近闭源顶尖水平，为开源社区提供强大研究基座。
ChatGPT还没学会打电话，谷歌搜索AI已经替你电话约服务，还会谈价砍单！
谷歌搜索迎来三大AI革新，集成Gemini 2.5 Pro模型、可用Deep Search功能，最亮眼的是AI代打电话功能。目前该功能在美国上线，未来将全球推广，引发网友对其效果和实用性的讨论。
CVPR 2026 Workshop征稿｜第六届AdvML@CV：多模态大模型智能体安全
IEEE/CVF 计算机视觉与模式识别会议 CVPR 2026 6月3 - 7日在美国丹佛举办，期间6月3或4日将举办第六届对抗机器学习计算机视觉研讨会，聚焦视觉 - 语言智能体安全，现开启论文征稿并公布重要日期，给出投稿入口。
我把周末写的代码开源了，结果炸出了几千个被微信群逼疯的人
作者受微信信息焦虑困扰，用Chatlog开发Chatlog WebUI，能自动总结群聊信息。该工具功能丰富，已开源，作者还想加新功能，希望用AI解决生活痛点。
既然 Claude 封了不让用，Codex 就疯狂追赶之
Claude 受限，作者转用 Codex 等 Agent 工具，效率不错。OpenAI 加大 Coding 投入，Codex 追赶势头猛。作者还分享 Codex 使用心得，介绍为 CatReader 加新功能过程，提醒加功能要谨慎。