搜索：视觉推理功能

「视觉推理功能」共找到 3991 篇相关文章

全球百万网友迷上赛博「养鱼」，我也被这群AI小丑鱼拿捏了

Draw A Fish是一款AI小游戏，让全球百万网友上头。玩法简单，在画布画鱼，达到一定相似度就能放虚拟鱼缸。它门槛低、有成就感和互动性，背后是基于PyTorch的卷积神经网络，用ResNet18架构和QuickDraw数据集训练。

科研等领域图表是信息核心载体，先进开源MLLMs在高难度图表理解测试准确率低。本文提出ECD数据集，规模大、质量高、风格多样，还设计合成流水线与评测基准ECDBench，为开源MLLM提供支持。

DeepSeek 官宣发布 V3.1，称这是迈向 Agent 时代第一步。其有混合推理模式，Agent 能力全面进化，API 也全面升级，支持 Anthropic API 格式。还继续开源，9 月 5 日起调整价格，社区反响热烈。

这篇技术博客介绍用Claude Code自动化GitHub Actions Runner镜像更新工作，包括用其处理补丁冲突、分析变更，以减少人工工作量，提升开发者生产力，还给出实现细节与代码。

和容器打交道，过去首选可能是Docker Desktop，但它有商业许可限制、资源占用高等问题。今天分享免费开源的替代品Podman Desktop，它集成多项功能，还自带Kubernetes集成，很受开发者欢迎。

中山大学、鹏城实验室、美团联合提出X - SAM，统一图像分割多模态大模型。它将分割范式扩展，设计通用输入输出，采用端到端架构和三阶段训练策略，在超20个数据集达最优，为图像分割研究开辟新方向。

中科院、清华等提出SE - Agent自进化框架，突破Claude - 4编程上限。它让智能体系统性修订、重组与精炼思考过程，在SWE - Bench Verified上刷新开源框架SOTA，已开源。

Omni-Effects是面向多样化定制视觉特效生成的统一框架，结合纯提示词驱动与空间感知提示，可精确控制特效位置。构建Omni - VFX数据集验证其有效性，在复杂场景有高鲁棒性。

训练有效世界模型面临数据、任务难度、算力消耗和评估等难题。Meta研究者提出通用视频世界模型DINO - world，可预测未来帧，在多方面有优势，实验显示其性能显著，能降低对标注数据需求。

谷歌DeepMind官宣Gemini Deep Think在IMO获官方认证金牌，4.5小时解5题得35分。它用纯英语解题，结合并行思考与强化学习训练。谷歌后续将向部分测试者及订阅者推出模型，还公开了解题过程。