「视觉 Agent」共找到 3301 篇相关文章
边画边想！多模态Reasoning迎来巨大提升！
论文指出文本无法精准表达空间关系，现有视觉语言模型（LVLM）在空间推理上是短板。ViLaSR让模型直接画图推理，经三阶段训练，在五大空间推理测试中表现出色，还开源资源，有望带来机器认知升维。
万字总结：如何练就适配人形机器人的可靠「灵巧手」？｜GAIR Live
在具身智能崛起时，灵巧手成人工智能落地核心突破口。2025年5月25日相关线上沙龙中，嘉宾围绕灵巧手软硬件、数据与模型、落地应用等交流，探讨数据难题、开源价值、落地挑战及中美差距等。
世界模型迎来因果升级：CD-LAM仅用几千步微调即可显著增强动作控制
Aether AI与加州大学圣地亚哥分校研究发现现有世界模型会无视动作控制信号，根源是隐动作模型受视觉混杂因素污染。团队提出CD - LAM，从上游净化隐动作表征，实验显示其能降动作误差、提画面质量，降低后训练开销。
全球医疗榜第一，中国AI杀疯了！医疗AI迈入Harness时代
火爆的Harness架构在医疗圈落地，智诊科技发布面向医疗健康行业的Agent OS平台WiseClaw 2.0。它以健康档案为核心，有三层流水线等设计，适用于多场景，且在模型、中层能力和上层治理有优势，还获融资加速发展。
实测！DeepSeek V4-pro是第一个接近Claude开源模型，前Meta研究员震惊
DAIR.AI创始人、前Meta AI研究员Elvis用DeepSeek - V4 - Pro在Pi框架搭LLM知识库，该模型开箱即用，完成知识密集型多步研究任务表现出色，在开源模型里Agent编程和推理能力强，架构设计让推理快且成本低。
Anthropic最新博客：MCP没有死，我们又救活了。
2个月前Eric Holmes认为MCP已死，因其有Token成本等问题且LLM本就会用命令行。但本周Anthropic发博客称想清MCP定位，它不是替代CLI，而是覆盖其到不了的地方，还给出改进方案，MCP月下载超3亿次。
不止Deep，更要Wide：清华、无问芯穹发布多智能体系统WideSeek-R1，4B模型比肩671B模型！
清华与无问芯穹的RLinf团队提出「广度扩展」，发布多智能体系统WideSeek-R1。它采用「Lead-agent-Subagent」框架，经MARL端到端训练，4B模型在广度搜索任务表现比肩671B模型，且在标准QA任务也出色。
Claude Code auto mode 解析：如何用 AI 分类器替代人工审批
Anthropic 发布 Claude Code 的 auto mode 解决审批疲劳问题，用 AI 分类器替代人工审批。介绍了其核心思路、判断危险的标准、两阶段分类等，还分析了漏检率、被拦截后的处理及子 Agent 检查等，也指出了目前局限。
龙虾社交上线40天被Facebook收购！俩文科创始人加入超级智能实验室
刚上线40天的AI Agent社交网站Moltbook被Meta收购，两位文科创始人将加入Meta超级智能实验室。Moltbook因人类冒充AI的假帖子爆火，但安全漏洞明显。Meta看中其让AI智能体在线连接的能力，或优先修复安全问题。
具身导航，感知推理到底是「上帝」，还是执行控制是「命门」？| GAIR Live 023
本文是GAIR Live 023圆桌对话实录，浙江大学彭思达与具身多模态算法专家郝孝帅探讨具身导航。涉及本质、范式、挑战、交互等方面，还对未来5 - 10年发展做了展望。