搜索：通用视觉推理

「通用视觉推理」共找到 3134 篇相关文章

全球看中国，灵初智能用10万小时人类数据写下具身智能的中国答案

2026年，“世界模型”成具身智能高频词。灵初智能联合创始人陈源培认为其非核心方向，而是数据迁移工具。灵初关注人类操作数据转化，在10万小时量级上可大幅替代真机数据，还介绍了系统模块、数据集及商业化阶段等情况。

这个月初谷歌免费开放Veo 3.1视频生成能力，让AI视频更普及，但模型距‘能交付’仍有差距。Vidu Q3带着‘全家桶’回归，覆盖多领域，在权威评测榜单成绩优异，视觉、听觉和场景能力升级。

阿里AI助手千问被接入红旗汽车智能座舱，这是通用AI助手首次以完整形态登陆车载场景。千问能完成复杂语义理解和任务规划，还将拓展至更多硬件，阿里要把它打造成AI时代超级入口。

文章讨论Token新译名「智元」，认为其比「词元」更合适。介绍英伟达GTC 2026上黄仁勋强调AI推理时代智元重要性，OpenClaw消耗大量智元引争议，还提及黄仁勋闭门会观点及多位大佬对「智元」译名的认可。

过去两年，世界模型成为大模型演进重要方向，但现有模型多聚焦宏观世界。本文提出MicroVerse模拟框架，将研究边界拓展到微观尺度，还推出MicroWorldBench评测基准和MicroSim - 10K数据集，推动AI从视觉模拟迈向科学模拟。

今天发布并开源万亿参数思考模型 Ring-2.5-1T，在生成效率、思考深度、长程执行上大幅提升。与其他模型对比，在高难推理和长程任务执行达开源领先。介绍架构优势、手搓案例，也提及不足与未来计划。

Kimi K2.5上新，集视觉理解、代码生成等能力于一体，提供四种使用模式，其中Agent集群模式提效显著。实测显示其网页生成、动效理解能力出色，下一代K3模型或用新架构KDA降低计算成本。

2025年6月以来文档解析方法快速增长，有10余种。按“技术路线 + 工程形态”可归为4大类：传统级联流水线、轻量多模态两段式、通用多模态大模型一段式、轻量多模态一段式，各有优劣，4条路线覆盖所有OCR落地场景。

近日，清华大学和蚂蚁数科在NeurIPS上联合提出Dual - Flow新型对抗攻击生成框架。它能从海量图像数据学“通用扰动规律”，对多模型、多类别发起黑盒攻击，为AI安全带来挑战，已用于蚂蚁数科产品。

OpenAI在成立十周年推出GPT - 5.2，相比GPT - 5.1在多实用领域更强，视觉理解等能力提升。ARC - AGI测试中得分超谷歌Gemini 3 Pro。拆解其多方面能力，还介绍核心团队多为数学专业新面孔。