「视觉-语言生成」共找到 3510 篇相关文章
Codex给V4-Flash装上眼睛，DeepSeek也会文档OCR
GitHub上的项目codex-vision-proxy让接进Codex的DeepSeek能看图，不用换模型或等官方，装本地代理即可。它还附带视觉工具包，在智能文档解析和OCR上潜力大，证明多模态能力可长在管道上。
Seedance 2.5 专业创作实测：3D导演台、局部重改、角色库如何释放模型能力
Seedance 2.5升级，3D导演台自带图片生成白模功能、打通3D工作流；有片段重拍实用功能；小云雀升级角色资产能力。除素材增加，其更理解原视频创意逻辑，还有多模态参考等功能，降低创作门槛。
评论送书 | 想系统了解AI？先搞清楚这四件事
文章围绕系统了解AI需搞清楚的四件事展开，介绍了AI理论基础层的机器学习和深度学习，感知交互层的计算机视觉等，应用实践层的机器人学等，还提及伦理社会层的AI伦理和社会影响研究。
构建 AI 时代的知识底座：直播数据 LLM Wiki 实践
文章围绕直播数据 LLM Wiki 实践展开，指出领域知识沉淀面临挑战，引出 LLM Wiki。介绍其实际效果，如指标召回、代码生成等，阐述构建方法、架构设计、编译流水线、检索方式，还提及增量编译与持续 Lint，最后给出未来规划。
AI可以用任何手段、写任何东西，但你得是个“中年老登”
PingCAP 黄东旭称做 db9 项目未看到 AI 边界，语言、框架、数据库选型不再长期锁定，AI 能写任何软件。徐昊认为软件知识比代码重要，‘重写’概念或过渡。滕昱指出 AI 需‘老登’掌舵，企业软件维护仍存难题。
14.8K Star！这个开源 Skill，一句话就能做出大厂级设计！
Anthropic 发布的 Claude Design 虽能在对话框生成网页，但需手动操作。有人据此开发了开源项目 Huashu Design，可在 agent 里打一句话，3 到 30 分钟就能拿到能交付的设计，还介绍了其功能、核心规则等。
Insanely Fast Whisper：开源社区让音频转录速度提升19倍
Insanely Fast Whisper工具将OpenAI Whisper转录速度提升19倍，采用Flash Attention 2技术，零质量损失。它集成多语言支持、说话人分离等实用功能，还支持跨平台，免费运行。最初是基准测试demo，值得音频处理用户关注。
写在 Claude Design 发布之后：如果明天巨头做掉了你的核心功能，你该怎么办？
Anthropic 发布 Claude Design，可从提示词生成设计稿等，让 Figma 市值蒸发。这引发对 AI 应用层产品的思考，当基础模型厂商收回能力，靠能力缺口的产品将失重，应用层需从工作流、数据等找机会。
AI“带货”第一周就卖出一万美元？！前钉钉副总裁创业：12个Agent让普通人“躺赚”
Moras是攀峰智能（K2 Lab）推出的全球首款全自动商业Agentic AI，能包揽带货全链路。3月测试中，达人用它人均月GMV约1万美元。使用分选品、视频生成、发布三步，靠12个专业Agent协作。
UIUC清华微软联合提出PlugMem：当Agent记忆告别「经历」，开始存储「经验」
随着大语言模型Agent长期运行，‘记忆该如何设计’成核心问题。UIUC、清华、微软联合提出PlugMem，将记忆拆分为三类，以知识为单位存储，在三类任务中验证其有效性，为Agent长期记忆设计提供新思路。