「视觉泛化」共找到 983 篇相关文章
从平面几何出发：形式化验证如何驱动MLLM的推理能力跃迁
多模态大语言模型在复杂数学与几何推理中有缺陷，现有训练方式让模型难有鲁棒推理能力。上海交大等团队提出“以形式化增强非形式化推理”方案，构建完整闭环，提升模型推理及泛化能力。
14B检索能力超过Google Search，阿里ZeroSearch通过RL激发LLM检索推理能力~
有效信息搜索对提升LLMs推理和生成能力重要，当前RL方法有文档质量不可控和API成本高问题。阿里通义Lab提出ZEROSEARCH框架，经多步骤训练，实验显示其在检索能力和泛化性上表现出色。
DeepSeek又又又又发新论文了！这一次，他们重构了AI看图的方式
DeepSeek发布论文DeepSeek - OCR 2，指出传统AI看图方式有误，提出视觉因果流概念。其两阶段级联推理解法效果显著，还可能整合进即将发布的DeepSeek V4，有望实现原生多模态。
你奶奶也能看懂：DeepSeek-OCR的秘密。
本文介绍DeepSeek-OCR，它并非普通OCR工具，而是用“上下文光学压缩”将大量文本信息转为少量视觉Token。其架构含编码器和解码器，压缩效果惊人，重新定义AI“记忆”，或改变AI认知方式。
这款OCR神器绝了，PDF、表格、手写体通吃，20+文档支持，9.4K Star！
开源君在Github发现开源OCR工具Zerox，由Omni - AI团队开发，利用AI视觉模型“阅读”文档，将多种格式文档转Markdown。它功能强大，处理复杂文档优势明显，在Github获9.4K Star。
MIT团队完成AI控制人类行为实验项目
MIT团队的Human Operator项目是实时人体增强工具，也是MIT Hard Mode 2026获奖项目。它通过视觉 - 语言模型结合电刺激肌肉实现人体运动控制，介绍了技术栈、环境要求、软硬件准备、安装步骤等。
我在OpenAI修中文
OpenAI研究科学家陈博远介绍GPT Image 2官网博客花絮，分享模型训练、测试情况，还展示亲手制作的官网图片，包括中文彩蛋、漫画、杂志页等，体现模型文字渲染、视觉推理等能力。
MiniMax海螺视频团队首次开源：Tokenizer也具备明确的Scaling Law
MiniMax海螺视频团队首次开源，揭晓视觉分词器难题答案。其推出的VTP框架可提升模型性能，解决传统Tokenizer缺陷，还展示了Tokenizer的Scaling Law，为行业提供新路径。
复旦等推出「第一人称视听基准」，补齐多模态模型「听觉拼图」
多模态大模型在真实世界会“失聪”，现有第一人称视频问答/理解基准长期偏“视觉中心”。复旦等团队推出首个系统评测第一人称声音理解能力的基准EgoSound，能让模型听懂世界，评测显示当前模型与人类差距大。
推理与操控能力双提升！具身机器人双系统VLA模型新突破
香港中文大学等联合提出Fast - in - Slow（FiS - VLA）统一双系统VLA模型，实现快慢系统融合。在真机和仿真测试中，成功率和控制频率提升显著，泛化能力强。未来计划探索动态调参机制。