「通用视觉模型」共找到 8174 篇相关文章
字节开源了一款多模态神器！BAGEL上线，超越Qwen2.5-VL，媲美SD3！
多模态AI发展进入新阶段，字节跳动开源通用多模态大模型BAGEL。它支持多模态输入输出与思维链推理，性能超Qwen2.5 - VL等，安装使用友好，有多种应用场景。
Gemini证明数学新定理！全程没联网
Gemini内部数学版学霸模型FullProof全程不联网，帮数学家证明代数几何领域新定理，即0亏格映射到旗簇空间的motivic类等价结论。它埋下关键思路伏笔、独立给出反例，比Macaulay2更优。
SkyReels-Audio让嘴型和音频完美匹配不再难
音频驱动的动态人脸生成研究较少，昆仑万维提出SkyReels - Audio框架，基于预训练视频扩散变换器构建，支持无限长度视频生成与编辑，采用混合课程学习等策略，保障视频视觉保真度和时间一致性。
MCP•RL 开源：让 AI 通过强化学习，自己学会怎么用 MCP 服务器
MCP•RL 是 Agent Reinforcement Trainer (ART) 框架一部分，能让 AI 模型通过强化学习学会高效使用 MCP 服务器，解决工具调用痛点。ART 无需标注数据、通用性强，提供便捷集成方式，项目开源。
Karpathy头疼的“AI游戏困境”，被这款15分钟出包的国产神器破解了
8月初Andrej Karpathy指出通用AI做游戏时，LLM无法高效审查工作的弱点。而国产平台Spellcaster能先解析自然语言确定游戏设计，15分钟出包，还内置测试员验证，团队想工程化落地新方向。
深度｜AI开始接管物理世界，谁来掌握新的入口？
本文为深度行业分析，围绕Anthropic推出的模型硬件标准MHS展开，探讨AI从虚拟屏幕切入真实物理世界、接入实验设备的产业进程，梳理核心挑战与未来竞争格局。
MiniMax海螺视频团队首次开源：Tokenizer也具备明确的Scaling Law
MiniMax海螺视频团队首次开源，揭晓视觉分词器难题答案。其推出的VTP框架可提升模型性能，解决传统Tokenizer缺陷，还展示了Tokenizer的Scaling Law，为行业提供新路径。
彻底告别VE与VAE！商汤硬核重构多模态：砍掉所有中间编码器
商汤科技联合南洋理工大学发布NEO - unify，这是“原生、统一、端到端”多模态模型架构，砍掉VE和VAE，用混合变换器架构打通视觉与语言能力，提升数据与算力利用效率，为跨模态智能系统奠基。
上手“设计界的Manus”，朱啸虎点赞，Lovart这波魔法破圈了丨TIP 002
国产出海产品Lovart被称为“设计界的Manus”，获朱啸虎点赞。它是设计领域首个Agent，能用自然语言驱动生成多模态视觉作品，可生成VI体系、短片等，适合文创领域，还能人工编辑，调用多模型。
LeCun力荐的JEPA杀入LLM，用CV的思路训练LLM，性能鲁棒性双丰收
LeCun团队提出LLM - JEPA，将JEPA自监督学习架构从视觉扩展到LLM。它能提升性能和鲁棒性，在多模型和数据集验证有效，但有训练开销大、泛化性不足等局限。