「视觉推理能力」共找到 4951 篇相关文章
太多人误解了「苦涩的教训」
《“苦涩的教训”》一文常被误解，其核心观点是能充分利用计算资源扩展的方法会超越不能扩展的方法。人类知识短期易获好结果，但长远看，唯有随算力增长的方法最终胜出，如深蓝、AlphaGo Zero的案例。
谷歌发布本地具身智能模型！全程无联网执行精细操作，从人形机器人到工业机器人全覆盖
Google DeepMind团队发布可本地运行的视觉 - 语言 - 动作模型Gemini Robotics On - Device，它能离线运行，操作能力强，可在多种机器人本体部署，解决网络问题，性能、适应能力出色，还开放了SDK。
国产芯片比英伟达整体效率更高！？华为 CloudMatrix384 超节点首曝论文，跑 DeepSeek 效率超越英伟达
今年4月，网上曾争论华为芯片效率是否超国际主流。近日华为团队论文公开，阐述在CloudMatrix 384超节点部署DeepSeek大模型细节，性能指标超英伟达体系，还介绍架构、软件栈及适配优化方案。
MiniCPM 4.0来了！220倍极速狂飙，端侧模型的比赛，结束了
面壁智能联合清华发布MiniCPM 4.0，极限场景220倍加速。它是首个原生稀疏模型，有三级火箭推理加速体系，性能强，适配全平台，应用广泛，或成端侧AI分水岭。
高精度全身操控！从文本输入生成全身操控物体的动作
物体操控的整体动作生成是具广泛应用但极具挑战的任务，核心挑战在于手部与身体协调及关节式物体操控精度。香港大学提出协同扩散噪声优化框架CoDA，优化三个专用扩散模型，还采用BPS统一表示提高交互精度。
使用最新的 Claude 4，我用两天就开发出一个视频编辑器，但却无法维护
作者用Claude 4两天开发出视频编辑器，却难维护。分析原因，指出AI编程在模块级强，但系统层面不足，还列举网友讨论，探讨AI在软件工程各方面的能力及局限。
微软发布多智能体 Web 操作系统！让 AI 成为真正“可控、协同、透明”的网页执行助手！
微软推出新一代多智能体 Web 操作系统 Magentic - UI，它能自动浏览网页、处理数据等，具备多智能体协同能力。其界面透明可控，功能丰富，安装使用友好，适用于多种复杂场景。
智源技术分享：大模型行业应用新模式和关键实现路径
在 AICon 大会上，智源研究院周华分享大模型行业应用。分析落地问题，提出以大模型为核心的技术路径，涵盖数据、训练等环节，还给出数据生产流程建议，分享最新开源成果。
多模态技术爆发元年，行业应用如何落地？
InfoQ《极客有约》X AICon 直播栏目，邀上海交大赵波、快手高欢、腾讯邵帅探讨多模态大模型。谈及技术挑战、开源闭源、行业落地等，还分享精彩观点，如先大后小蒸馏提效，垂直模型现阶段更优。
实测Qwen3.8-Omni-Flash：全模态Agent有了“白菜价”
本文是对千问最新推出的Qwen3.8-Omni-Flash全模态模型的实测，该模型大幅降低全模态Agent使用成本，API价格远低于竞品，开放1M上下文免费测试额度。