「视觉分词器」共找到 875 篇相关文章
去掉像素中介！上海交大让AI边看边想边画，用同一个“大脑”跨模态推理
上海交大等团队提出LatentUM架构，摒弃像素解码中介，在共享语义潜空间跨模态思考。它用MBAQ技术转化视觉特征，设计MoME架构，还能自我反思、规划路线、模拟世界演变，表现出色。
8K Star！给所有 AI 编程工具加个智能调度中心，节省 20-40% Token！
AI编程圈火了个工具9Router，它是智能调度中心，能连接主流编程工具，自动路由到40多家AI提供商和100多个模型，自带RTK Token节省器，还有实用的三级降级机制，安装配置简单。
只看图片就能学会压缩Token！浙大&阿里新框架多轮VQA压缩率90%，精度不掉｜CVPR 2026
多轮视觉问答成LVLM推理效率“照妖镜”，现有压缩方法在多轮场景翻车。浙大宋明黎教授团队与阿里联合提出MetaCompress框架，可根据图像生成最优压缩映射，实验验证其效果优，能平衡压缩率与精度。
Thinking Machines再发文：模块化流形让训练更稳定
Mira Murati团队分享神经网络训练推理新研究，提出“模块化流形”让训练更稳定。将权重约束在Stiefel流形，设计Manifold Muon优化器，实验显示效果好，但计算开销和理论问题待解决，代码已开源。
Sora没做到的，LongVie框架给解决了，超长视频生成SOTA
视频生成近年进步大，但生成超1分钟高质量长视频仍难。上海人工智能实验室等机构提出LongVie框架，解决时序不一致和视觉退化问题，还推出评测基准LongVGenBench，该框架在多项指标达SOTA。
为AI打造的知识图谱服务器MemoryMesh
MemoryMesh是专为AI模型设计的知识图谱服务器，适用于多种结构化数据场景。它有动态模式驱动工具等特性，可自动生成管理工具，还配备记忆查看器，提供安装指南和提示词建议。
14k颗星！你的电脑屏幕，正在成为AGI的“眼睛”！这款开源神器让你一键记录所有操作
介绍开源项目ScreenPipe，它是跨平台桌面数据抓取API，能全维度记录数据，有沙盒化插件系统等功能。因能为AGI提供数据、对开发者友好而火，还给出安装和创建插件命令，称其有成为AGI时代“现实采集器”的野心。
Qwen3-LiveTranslate：视、听、说全模态同传大模型！
Qwen3-LiveTranslate-Flash 是基于大语言模型的多语言实时音视频同传模型，依托 Qwen3-Omni 能力与海量数据，有多语言和方言支持、视觉增强等亮点，性能超主流大模型。
对话阶跃星辰段楠：“我们可能正触及 Diffusion 能力上限”
阶跃星辰段楠指出当前视频生成技术或触天花板，真正有深度理解能力的模型尚待突破。他预测未来1 - 2年视觉领域基础模型有望出现，还分享视频生成及多模态AI未来核心洞察。
让Skill“有图可依”：openJiuwen首发多模态Skill范式Skill-Omni
openJiuwen社区发布业界最早工程化落地的多模态Skill范式Skill-Omni，让Agent经验从‘读得懂’升级为‘看得见’。它能将网页和视频视觉知识沉淀为多模态Skill，还介绍了生成及读取方式和适用任务。