「多轮视觉问答」共找到 809 篇相关文章
11K+ Star！NotebookLM 最强开源平替来了，支持私有化部署！
NotebookLM好用但有数据隐私问题，GitHub上的SurfSense是其开源平替，支持私有化部署。它功能成熟，支持多种文件格式等，提供三种入门方式，虽缺PPT生成能力，但知识管理和问答功能够用。
告别「面瘫」配音，InfiniteTalk开启从口型同步到全身表达新范式
传统video dubbing技术有局限，新兴模型也有问题。美团视觉智能部研发的InfiniteTalk引入‘稀疏帧video dubbing’，实现口型、表情、肢体与音频自然对齐，解决长视频生成难题，技术已开源。
刷榜自动驾驶语义场景补全！北大新作：高维度、高密度 | AAAI'26
北京大学彭宇新教授团队提出视觉语义场景补全方法HD² - SSC，通过高维度语义解耦和高密度占用优化，解决现有技术维度与密度差异问题，在两自动驾驶数据集上取得最优性能。
谷歌AI Studio大更新：推出全新“vibe编程体验”，一键生成AI应用,好用到爆
谷歌AI Studio发布全新vibe编程体验，可一键生成AI应用。基于Gemini API，启动界面有功能建议，还有“手气不错”按钮。构建问答游戏不到1分钟，免费且可编辑代码，还有AI建议功能，适合小白。
VLA模型为何忽视语言？破解指令跟随幻觉，分布外场景泛化新突破
当前VLA模型常依赖视觉线索而非语言指令，导致新场景表现不佳。论文提出LangForce方法，引入对数似然比损失，强化模型对语言的依赖，提升分布外泛化能力，还保留语言核心功能。
字节Seed最新版原生智能体来了！一个模型搞定手机/电脑/浏览器自主操作
字节Seed发布最新版原生智能体UI - TARS - 2，采用All in one原生设计，表现优于Claude和OpenAI Agent等。它通过多轮强化学习，解决智能体操作图形界面的四大难题，在多测试中表现出色。
Github 1.8K star厉害！！有了这个办公AI神器，效率飙升！
Speakr是完全自托管的AI会议助手，能将音频转文字、生成摘要、进行内容问答，离线运行保障隐私和安全。它功能丰富且轻巧，支持多平台，GitHub已破1.8K star。
让AI学着“看菜下碟”！港中大等新框架让推理长度减少90%，准确率反增17%
香港中文大学等研究者提出TON选择性推理框架，使视觉语言模型能自主判断是否推理。该框架有两阶段训练机制，实验显示其让推理长度最多减90%，准确率还提升，有益模型部署。
马斯克的最快AI模型来了
xAI发布Grok 4 Fast，生成速度每秒75个token，比标准版快10倍。网友实测其解题、问答速度惊人，但也有准确性问题。它为求速度做了妥协，适合追求即时结果的用户。
北大卢宗青团队新作：超 70% 实机成功率，支持语言指令的功能性抓取系统
现有抓取研究多在稳定性层面，而功能性抓取更接近真实世界的智能。北大卢宗青团队提出DemoFunGrasp方法，对功能性抓取重新建模，在仿真与真实场景均超70%成功率，还引入视觉语言模型让机器人理解语言指令。