「视觉 Agent」共找到 3296 篇相关文章
从云原生到 AI 原生：模型引发的新一代基础设施构建
本文整理自蚂蚁集团余锋在2025年QCon上海站的分享。回顾基础设施从云计算到AI原生的演进，指出模型成新数据库，基础设施围绕其构建，还探讨了Agent体系影响、通智一体趋势及面临的挑战与机遇。
ICLR 2026 | 机器人不够聪明？VLMgineer让大模型自己「发明工具」，从设计到使用全自动
宾夕法尼亚大学研究者提出 VLMgineer，一个全自动工具设计与使用框架，利用视觉语言模型和进化搜索，让机器人自主设计并使用工具。该工作已被 ICLR 2026 接收。实验显示，它在工具设计上优于人类提示和现有 Benchmark 工具。
首个国产OpenClaw硬件产品即将发布，插电脑上就能用，使用成本降低20倍。
OpenClaw带火了Agent，但行业后续要解决落地问题，如控成本、降门槛等。Violoop团队实力强、融资快，4月将预售。其产品云端与端侧结合，通过原生接入、端侧处理等解决落地难题，成本降20倍以上。
OpenClaw 创始人万字访谈：一小时原型，18 万 Stars，Mark 和 Sam 抢人
Lex Fridman对话OpenClaw创始人Peter Steinberger，涉及一小时原型诞生、GitHub爆火、改名风波、Meta和OpenAI抢人等内容。OpenClaw作为开源AI Agent，能自修改软件，Peter认为80%的App将消亡，AI虽冲击编程但不会完全取代人类。
长视频会议纪要、访谈节目精剪AI神器
WhisperVideo是用于长篇幅、多说话人视频的简洁演示系统，专为真实对话构建。它有SAM3视频分割、TalkNet主动说话人检测等功能，具备视觉关联说话人归属等特性，文中还介绍了安装、运行等内容。
让AI打游戏！能玩1000多款游戏，英伟达用4万小时视频训练出通用基础模型NitroGen
NVIDIA发布NitroGen模型，利用40000小时带按键显示的游戏视频，构建视觉-动作数据集，训练出能玩超1000款游戏的通用基础模型，在跨游戏泛化和微调任务中表现卓越，为具身智能发展提供新思路。
AgentFS：把SQLite作为智能体状态存储
SQLite适合记录代理状态等，但在Agent系统中缺优雅应用案例。AgentFS是基于SQLite为AI智能体设计的状态管理系统，核心是Turso实现的存储系统，结合三个关键组件，提供四个主要组件，目前处Alpha阶段。
夸克做ChatBot，为什么是现在？
AI行业曾有“垂直Agent幻觉”误区，重演App时代“功能碎片化”老路。而模型趋势是泛化与整合。10月23日夸克上线“对话助手”，其此时入局是基于技术、竞争和交互形态三重判断，且有模型和系统双重保障。
用两个简单模块实现分割理解双重SOTA！华科大白翔团队等推出多模态新框架
华中科技大学和金山办公团队联合提出语义增强特征提取器（SEFE）和交错局部视觉耦合（ILVC）模块，构建多模态大模型LIRA，解决现有模型分割不精确和理解有幻觉问题，在分割和理解任务上达SOTA。
投资人不再只看大模型？AI资本新逻辑揭秘｜甲子引力X
2025年AI投资进入新阶段，大模型竞赛趋理性，AI Agent等赛道加速发展，投资逻辑重构。甲子引力X圆桌对话中，六位投资人分享投资逻辑调整、新投企业及看法，探讨具身智能、物理AI落地等问题。