「视觉能力」共找到 3617 篇相关文章
刚刚，杨植麟亲自开源Kimi K2.5！国产大模型打架的一天
今天国产大模型热闹非凡，Kimi更新至K2.5版本。它是万亿参数的MoE基础模型，开源且在多项评测表现佳，视觉与编码能力强，还引入Agent Swarm功能，实测展示其解决各类复杂任务能力。
真正的一句话修图：Gemini 用香蕉模型给出了图像生成的分水岭
Google新模型Gemini 2.5 Flash Image可在AI Studio体验。它有多图融合、角色一致性等能力，能实现自然语言编辑图像，速度快、价格低、API可用，虽有中文体验等问题，但有望让AI视觉工具进入工程化时代。
豆包悄悄上线的这个新功能，也能用眼睛推理全世界了。
作者分享豆包新上线的视觉推理功能，在PC和手机场景使用体验良好。通过ChinaJoy图片、德爷相关图片、表情包等实例展示其推理能力，虽有软肋但很实用，还免费，体现出与其他工具的差距。
刚刚，GPT-5.2满分屠榜，OpenAI十周年王者归来
OpenAI 十周年推出 GPT - 5.2 系列模型，包括 Instant、Thinking 和 Pro 版本。它在多方面表现出色，刷新多项基准测试 SOTA 水平，如 AIME 2025 获满分，在 GDPval 达人类专家水平。还在编码、视觉理解等能力上有显著提升。
DeepSeek又拿第一！首创「因果流」视觉推理，超越Gemini
DeepSeek开源DeepSeek - OCR2，引入DeepEncoder V2视觉编码器，打破传统模型扫描限制，模仿人类视觉「因果流」逻辑。它解决了传统VLM忽略图像语义结构问题，在多项测试中表现出色，还验证了「LLM作为视觉编码器」可行性。
Gemini 3 编程第一断崖式领先，谷歌 AI Mode 直接装备 G3，反重力的 Antigravity 是啥？
今年 8 月发布的 GPT 5 未达成 AGI，Gemini 3 能力提升明显。谷歌将其塞进 Search 的 AI Mode，AI 普惠意义超能力升级。开发者方面，它是主力型号，编程能力跃升，还加强 Agent 能力并推出新工具 Antigravity。
OpenVision 2：大道至简的生成式预训练视觉编码器
多模态大模型浪潮中，视觉模块是关键。此前OpenVision训练管线复杂，成本高。研究者提出OpenVision 2，移除文本编码器与对比学习，引入随机丢弃视觉token技巧，性能佳且效率高，挑战了对比学习范式。
为什么我觉得AGI并不会马上到来
作者Dwarkesh Patel认为AGI不会马上到来。当前大语言模型缺乏持续学习能力，难以替代人类工作；计算机操作能力受训练周期、数据等限制；推理能力虽有突破，但仍需时间发展。作者给出了具体预测时间。
SRO架构赋予Qwen-2.5-VL推理能力，性能飙升16.8%
文本领域推理模型成就大，但扩展到多模态大语言模型遇阻力，如冷启动初始化不足等。为此提出 SRO 三阶段训练框架，经测试，ReVisual - R1 平均性能提升 16.8 个百分点。
具身智能空间视觉死穴，终于被最新顶会彻底解决！
招商局先进技术研究院下属实验室提出新的移动数据范式，以极低成本破解 VLA 的空间泛化瓶颈。研究团队识别出 VLA 模型三种捷径学习模式，提出层次化数据解耦策略，该方案在主流 VLA 模型上验证有效。