搜索：视觉推理功能

「视觉推理功能」共找到 4002 篇相关文章

Speech-02语音模型登顶国际榜单：完美复刻声音，同事听后难辨真伪

MiniMax的Speech-02语音模型登顶国际榜单，超越OpenAI等海外模型。它引入可学习说话人编码器，有高扩展性，还能结合文本描述生成音色。测试显示其音色丰富、读音准、支持多语种，声音复刻逼真。

微软 Visual Studio 官方宣布，GitHub Copilot 智能体模式登陆 17.14 预览版。此模式可自主处理开发全流程，有确定上下文、建议命令等功能。还引入 MCP 服务器，支持连接外部工具，且更新将更频繁。

国内大模型竞争分资源派、技术派、国家队三阵营，多模态成竞争分水岭。阶跃星辰成立两年发22款自研基座模型，16款为多模态。其坚持理解生成一体化路线，在多模态领域有优势，还布局多应用场景。

本文聚焦vllm v1中管控模型分布式推理的核心Executor部分，介绍其4种类型及适用场景，以mp类型为例阐述Executor - Workers架构，还说明了大小数据在两者间的传输机制及原理。

本文是InfoQ翻译的OpenAI技术分享，详细公开GPT-Live实现连续有状态低延迟语音交互的架构设计，分享了架构拆分、协议优化、上线测试等实践经验与设计权衡。

8月20日，斯坦福大学吴佳俊在IJCAI 2026发表“计算机与思想奖”获奖演讲。他指出像素是表象，物理结构才是因果，提出以物理代码为桥，融合基础模型泛化力与物理模拟因果性，构建视觉与物理智能。

作者让AI画系统架构图效果不佳，朋友推荐diagram-design项目。它是给Agent用的出图技能包，能让AI生成编辑级质量图表，有多种图表类型，具备诸多亮点功能，还介绍了安装使用方法。

Anthropic发布Claude Opus 5，接近Claude Fable 5智能且价格减半，测评成绩出色，科研和视觉输出能力也有进步。同时发现砍掉Claude Code 80%系统提示词，编码评测分数不变，还总结出上下文工程新方法论。

WAIC 2026热度高涨，InfoQ直播间追问‘AI正在重写什么’。与会嘉宾讨论AI产业新阶段变化，如从‘看能力’到‘算总账’，认为模型重要性方式已变，还探讨了AI原生产品定义、AI Infra影响及未来关注方向。

文章聚焦让VLA模型在机器人上高效运行难题。北大等团队提出Jetson - PI方案，从异步推理算法等三层面优化，在Jetson Orin上控制频率提升8.66倍，推动具身智能向工业应用跃迁。