「视觉基础模型」共找到 8157 篇相关文章
Cherry Studio 复盘：从 Chat 到 Agent，一款「套壳」开源产品如何推倒重来？
Cherry Studio最初是为用户在不同大模型间切换的聊天客户端，随行业从Chat转向Agent，它开启2.0版本重构，定位转向「个人Agent平台」，底层架构重写，要解决产品复杂性、完善协作等问题。
实测可灵O1，AI视频界的Banana也来了。
可灵推出全新多模态视频大模型可灵O1，融合多种视频生成与修改能力。实测显示，它能实现视频内容增删、特定内容修改、扣绿幕、动作迁移、风格更改等功能，虽有局限，但开启用嘴改视频新时代。
Codex给V4-Flash装上眼睛，DeepSeek也会文档OCR
GitHub上的项目codex-vision-proxy让接进Codex的DeepSeek能看图，不用换模型或等官方，装本地代理即可。它还附带视觉工具包，在智能文档解析和OCR上潜力大，证明多模态能力可长在管道上。
吴恩达来信：AI工程技能图谱详解——构建和部署AI应用
吴恩达在信中详细展开AI工程技能图谱中构建和部署AI应用这一项，介绍需了解的技能，如LLM基础、用数据为模型提供依据等，并阐述各技能要点，还提及构建AI系统与传统软件的区别。
学会“吃一堑长一智"，性能飙升11%！XSKILL让AI积累经验和技能
XSKILL框架让AI像人一样积累经验和技能，将任务级技能与动作级经验统一到双流设计中，通过视觉接地提取和检索知识，在多个基准测试中显著提升性能，还展现出跨模型迁移性。
英伟达一口气开源多项机器人技术，与迪士尼合作研发物理引擎也开源了
英伟达在机器人学习大会上发布多项开源技术，有Newton物理引擎、Isaac GR00T N1.6基础模型等，还在硬件层面下功夫。顶尖公司、高校已用其技术，全栈式布局或重定义机器人研发规则。
工具增强的多模态LLM综述
多模态大语言模型（如GPT - 4V）虽有强大图文理解能力，但受数据稀缺、复杂任务表现不佳和评估标准不统一限制。论文提出为MLLM集成外部工具，构建全景图，覆盖多维度，还指出挑战与对策。
当搜索遇见 AIGC：京东零售的“千人千面”素材生成实践
在 AIGC 浪潮下，视觉生成技术重构电商生态。京东零售李岩介绍“千人千面”商品素材生成技术链路，包括关键模型及实现框架，还发布焕新版京点点平台并预告新能力，推动电商个性化变革。
刷新硅谷融资纪录！华人具身智能团队刚毕业融资过7亿元，平均年龄不到28岁
华人主导的Genesis AI公司成立仅一月完成1.05亿美元种子轮融资，刷新硅谷两项融资纪录。团队平均年龄不到28岁，靠开源的Genesis物理引擎吸引投资，致力于开发通用机器人基础模型和通用机器人。
帮大家总结了一下凌晨的Google I/O 2026开发者大会。
本文总结Google I/O 2026开发者大会成果，涵盖AI模型、产品、Agent系统、视觉生成、搜索、电商等多领域。如推出Gemini 3.5 Flash，升级产品功能，发布新Agent系统，推进电商协议，还有科研成果与硬件更新。