搜索：视觉语言理解

「视觉语言理解」共找到 2156 篇相关文章

AI 本地跑？Google 新开源模型上线，本地量化后占用不到 200MB 内存，支持百余语言

Google DeepMind推出开源嵌入模型EmbeddingGemma，专为本地设备高效运行设计。它用Matryoshka方法和量化感知训练，提升效率。在MTEB测试中成绩佳，支持百余种语言，内存占用少，已集成多种工具。

本文是作者对一年半AI开发过程的复盘，指出大家对Agent理解有错位，强调有效「认知流程」的关键作用。通过高考、学霸成长等例子阐述Agent核心，对比Chatbot与Agent，还从理论视角解释其有效性，最后点明开发者角色转变及面临的挑战与前沿探索方向。

商汤开源全新架构的理解生成统一模型SenseNova-U1，虽小尺寸版仅8B参数，却能复刻GPT - Image - 2的不少绝活，在多项指标上登顶开源模型榜首，推理速度逼近主流商用闭源模型。它具备连续性图文创作等能力，底层是NEO - unify架构。

Moonshot AI推出最强Agentic模型Kimi K2.5，发布后热度起飞。它实现多功能一体化整合，具备设计审美，支持可视化编辑，推出编程工具Kimi Code。在多项测试中表现优异，还能在办公领域发挥作用，其智能体集群提升了效率。

AI教母李飞飞一年前访谈再引关注，她指出大语言模型或许并非真正智能，其基于一维语言信号训练，在理解三维物理世界存在局限。相关实验也证实大模型在物理任务表现差，不过也有人提出不同观点。

随着文本领域思维链推理机制成功应用，研究者将其引入视觉理解任务。现有模型有局限，本文提出UV - CoT新框架，设计无监督数据生成与偏好优化机制，提升模型能力，摆脱对人工标注依赖。

现有强化学习工作将语言模型作整体策略优化，研究提出以策略视角审视内部隐藏状态，分析层级和模块级策略，发现不同模型模式差异，还提出自底向上强化学习策略，为研究架起新桥梁。

Anthropic突然发布Claude Opus 4.7，重点提升软件工程能力，视觉能力也大幅跃升。指令遵循能力实质性提升，记忆能力改善。还同步上线新功能，升级前需关注分词器和token输出变化。

TypeScript 之父 Anders Hejlsberg 在与 GitHub 研究顾问对谈中回应质疑，称选 Go 重写编译器合理。他认为 AI 编程时代，TypeScript 语言服务将重塑，IDE 或让位给 Agent，还谈到 AI 在代码迁移中的应用及开源可持续性问题。

Unsloth宣布更新，支持视觉/多模态模型强化学习训练，含Gemma 3和Qwen2.5 - VL。其独特机制使VLM RL训练速度提升、显存占用降90%等。还引入GSPO算法，能在免费Colab T4 GPU训练Qwen2.5 - VL - 7B。