「图像识别」共找到 680 篇相关文章
预测下一个像素还需要几年？谷歌：五年够了
谷歌DeepMind研究者分析下一像素预测在图像识别与生成任务中的扩展特性。实验显示其扩展趋势与文本类似但效率低，最优策略因任务和分辨率而异，预计未来五年逐像素建模可行。
Wispr Flow 平替, 这款开源中文语音助手，程序员真该试试,本地离线的中文语音输入神器来了（开源白嫖版）
蛐蛐（QuQu）是开源桌面应用，用本地语音识别模型和配置的大语言模型，将语音实时转文字并润色。它主打本地语音工作流，替代Wispr Flow，免月费且保护隐私，适合中文用户。
天下苦VAE久矣：阿里高德提出像素空间生成模型训练范式, 彻底告别VAE依赖
当前主流图像生成技术训练范式依赖VAE，带来训练复杂、微调成本高的问题。阿里高德提出EPG，结合自监督预训练与端到端微调，去除对VAE依赖，在训练效率和生成效果上有突破。
小红书团队开源dots.ocr：文档解析新王者，性能比肩Gemini！
文档解析领域处理多语言复杂文档需高效能力，传统OCR工具存在不足。小红书HiLab开源多语言文档解析模型dots.ocr，基于1.7B参数视觉语言模型，性能达SOTA，单页PDF处理快，公式识别媲美大模型。
清华给电子显微镜加上Agent，DeepSeek V3全程调度，数天流程缩短至几分钟
清华大学牵头，联合多机构推出电镜领域AI Agent AutoMat，它能把原子级STEM图像转成标准CIF结构并给出关键物性，将人工流程缩短至几分钟。它还构建数据集验证，性能超现有工具，不过也有瓶颈待解决。
开源仅一周，鹅厂文生图大模型强势登顶，击败谷歌Nano-Banana
腾讯混元团队开源的原生多模态生图模型混元图像 3.0，开源仅一周就在国际权威评测榜单 LMArena 上超越谷歌 Nano - Banana 等，位列文生图综合和开源榜单第一。实测表现出色，技术上也有诸多创新。
何恺明CVPR最新讲座PPT上线：走向端到端生成建模
今年CVPR闭幕，何恺明现身会场并做了主题为‘走向端到端生成建模’的分享，近日其个人网页上传了该分享PPT。PPT回顾识别模型演进，探讨生成模型能否重演历史，还介绍了MeanFlow方法及成果。
WhisperLiveKit：本地同步实时语音转文字
实时语音转文字难题待解，现有方案各有缺陷。WhisperLiveKit项目用前沿同步语音技术解决问题，支持多语言同步翻译、实时说话人识别等，还介绍了安装、部署方式，不过效果受语言和模型等因素影响。
能效翻5倍！他们复刻人脑双记忆通路，造出能长效记住上下文的类脑AI芯片
帝国理工学院博士后孙鹏飞和苏黎世联邦理工博士后苏哲及合作者，受大脑皮层机制启发，打造“双重记忆路径”类脑网络及配套芯片，处理语音识别任务时能效比此前优方案高5倍。相关论文发表在《自然·机器智能》且代码、设计全开源。
跑分第一，实战拉胯！GPT Image 1.5被骂惨，奥特曼这波悬了
OpenAI推出新一代旗舰图像模型GPT Image 1.5，生图能力强，免费用户可上手，开发者能调用API。它在跑分榜单成绩优异，但网友实测发现是‘高分低能’，引发吐槽。此外，其API价格降20%，此次更新是回击谷歌。