「图像输入」共找到 670 篇相关文章
AI操作网页：browser-use和AI大模型互动解析
文章深入解析开源框架browser - use与AI大模型互动方式。它能自动化在线任务，靠精巧prompt设计和不同类型Message输入实现高效交互，还总结出可用于其他大模型交互场景的技巧。
清华许华哲：具身智能需要从 ImageNet 做起吗？
清华许华哲探讨具身智能，分析其爆发原因、失败模式及决策点，涉及视觉信号输入、触觉应用、学习方法等，还探讨具身智能是否需‘ImageNet时刻’，并从宏观视角谈智能的共性。
NotebookLM能生成PPT了，还带演讲配音
谷歌NotebookLM有新功能，输入数据、图表、旁白就能自动生成带AI音频的PPT，还能让AI写旁白。此功能对总结汇报、学习新知识都实用，也有人试用后反馈存在速度慢等问题。
3.3k星星！用AI做前端动效最好的开源项目，给AI写前端代码注入灵魂
现在AI编程做的前端效果不佳，页面不生动、特效生硬。而Text-to-Lottie开源框架可通过AI编程Agent快速生成生产级Lottie动画，支持多种输入，有实时预览与编辑功能，还能集成多平台，简化动效开发。
高效大规模创新3D重建模型iLRM
多数基于Transformer架构的模型处理多视图输入有可扩展性问题，成均馆大学、延世大学研究人员提出创新3D重建模型iLRM。它通过迭代细化机制生成3D高斯表示，有独特架构设计和高效注意力机制。
实测 MiniMax H3：开源“斩杀线”蔓延到视频模型圈
本文实测 MiniMax H3 视频模型，它 8 月 3 日开源，成本低至 0.5 元/秒，在编辑榜成绩佳。它定位全模态生成，能多素材输入。实测效果好，价格约为 Seedance 2.5 的三分之一，还支持原生剪辑，适配多芯片与工具。
谢赛宁盛赞字节Seed新研究！单Transformer搞定任意视图3D重建
字节Seed康炳易团队的最新研究成果Depth Anything 3（DA3），获谢赛宁盛赞。它架构简单，能从多种输入中精准算出物体深度、还原相机位置，在新视觉几何基准上表现出色，核心秘诀是极简设计。
MIDAS：快手可灵发布实时交互式数字人生成框架
近年来交互式数字人视频生成受关注，但实时处理多模态输入有挑战。快手可灵团队提出MIDAS框架，基于LLM驱动的自回归模型，结合轻量级扩散头，实现低延迟、交互式多模态控制，还构建大规模数据集等。
是「福尔摩斯」，也是「列文虎克」，智谱把OpenAI藏着掖着的视觉推理能力开源了
智谱开源视觉推理模型 GLM-4.5V，还同步开源桌面助手应用。此模型视觉推理能力强，在图像识别、视频理解、前端复刻、图表处理等多方面表现出色，技术创新使其达开源 SOTA 水平，推动行业注重实用价值。
具身智能需要从ImageNet做起吗？
文章探讨具身智能发展，分析其爆发原因，如人类无法完全数字化等。指出几种失败模式，还讨论输入信号、触觉、学习方法等决策点，认为具身智能的‘ImageNet’时刻是伪命题，不同智能领域可能殊途同归。