「图像理解」共找到 1169 篇相关文章
中学生就能看懂：从零开始理解LLM内部原理【九】｜ 层归一化：神经网络的稳定器
本文是系列文章第九篇，介绍了神经网络中的层归一化。先回顾标准差、标准分概念，指出其可使差异可控稳定。接着说明层归一化将原思想用在神经网络，还加入可学习参数，最后总结其作用与应用位置。
只用图像也能思考，强化学习造就推理模型新范式！复杂场景规划能力Max
现有 MLLM 依赖文本处理视觉信息，会造成信息丢失。剑桥、伦敦大学学院、谷歌团队提出视觉规划范式，以强化学习框架 VPRL 提升模型规划能力，实验显示其性能优于文本规划。
企业级 AI Agent 的终极王牌：从 0 到 1 带你理解 “本体论” 与 6 块核心“积木”。
文章指出大部分企业Agent项目因幻觉、跑偏等问题失败，引出基于“本体论”的企业“本体”工程。介绍企业AI困境、现有工程手段不足，阐述本体可补企业“语义层”及构建本体的6块核心“积木”。
智源悟界 · Emu3.5 重塑世界模型格局：首提多模态 Scaling 范式，AI 理解世界再进化
北京智源研究院发布大规模多模态世界模型“悟界·Emu3.5”，它能模拟复杂动态物理世界，揭示“多模态Scaling范式”。该模型继承深化Emu3技术哲学，在多方面有提升，为世界模型领域提供进化路线。
Google 推出了免费 Vibe Coding 工具，一键集成聊天、视频、图像AI，真的很氛围。
谷歌推出免费 Vibe Coding 工具，集成多种 AI 功能。谷歌 AI Studio 的 Built 模式更新，能混合匹配 AI 功能，自动连接模型和 API。用户无需了解 API 文档，可快速做出 MVP，谷歌 AI API 免费（限速）。
图像分词器造反了！华为 Selftok：自回归内核完美统一扩散模型，触发像素自主推理
华为盘古多模态生成团队推出 Selftok 技术，通过反向扩散将自回归先验融入视觉 token。它突破传统，实现因果 token、强化学习友好型 token 及纯 AR 大一统架构，实验在多方面表现优异，论文还入选 CVPR 2025 最佳候选。
SIGCOMM 2026 | 从「人眼看视频」到「AI理解视频」：北大提出面向AI的实时通信框架Artic
AI 正从「文字聊天」走向「边看边聊」，传统实时视频通信难以满足需求。北大团队提出 Artic 框架，重构码率自适应等，实验显示其能显著提升准确率、降低延迟。
别问树模型了！死磕结构化数据，清华团队把大模型表格理解推到极限
AI 时代处理结构化数据成痛点，LLM 大模型难以满足生产要求。清华大学与稳准智能联合发布的 LimiX 系列模型，做到真正通用，在跑分和实际落地表现出色，其轻量级版本 LimiX - 2M 适合边缘设备和科研场景。
Nature重磅：AI和人脑的根本区别找到了，我们对“聪明”的理解可能全错了
2025年《自然·机器智能》研究指出AI和人类在‘泛化能力’上本质不同。人类泛化靠抽象，学习高效；AI泛化靠统计，学习笨重。未来AI与人应互补协作，而非谁取代谁。
视频理解新标杆，快手多模态推理模型开源：128k上下文+0.1秒级视频定位+跨模态推理
快手开源能看懂视频并跨模态推理的大模型Keye-VL 1.5，其有时序定位、描述和推理能力，跑分领先。采用三段式架构和Slow-Fast编码策略，经四阶段预训练和多阶段后处理，团队成果多，推动多模态技术落地。