「通用视觉模型」共找到 8175 篇相关文章
刚刚，Figure 03惊天登场！四年狂造10万台，人类保姆集体失业
通用机器人曙光来临，Figure 03正式亮相，专为Helix「大脑」打造，手掌心有摄像头，指尖能感知3克力。其进化亮点多，未来四年将量产十万台，适用于家庭和商用场景。
刚刚，DeepSeek开源OCR 2，首创Qwen编码的「双流架构」
年底 DeepSeek 开源新模型 DeepSeek - OCR 2，首创双流注意力架构，model&paper 一同发布。它重构视觉编码器，采用三阶段训练流程，在 OmniDocBench v1.5 评测及生产环境验证中表现良好。
李飞飞World Labs最新判断：AI写完代码，下一步是「写世界」？
这篇来自 World Labs 的博客探讨了 AI 参与空间创作和现实世界任务时的通用接口，认为是 3D 。它像代码一样可结构化表达，还分析了神经图形学、模拟引擎的作用，并介绍了相关项目。
Agent创业者的天塌了，OpenAI发布ChatGPT Agent
昨晚OpenAI发布ChatGPT Agent，这让Agent创业者紧张。它整合多种能力，功能强大，支持多操作。新模型经强化学习调优，在多基准测试中表现佳，或挤压初创公司通用Agent赛道空间。
Thinking with Video：一种全新的思考范式
在人工智能领域，‘用文本思考’和‘用图像思考’存在局限。复旦大学等团队提出‘用视频思考’范式，通过视频生成模型统一文本与视觉推理，构建VideoThinkBench基准测试Sora - 2，全面解读这一开创性工作。
AI 浏览器压根不可能成为新的操作系统
近期AI浏览器成大模型主战场，营销中模糊Browser和OS边界。文章指出‘AI Browser = OS’不成立，分析原因，还提出定义为Agent操作层更合适，未来或走向能力优先、标准互通的‘通用容器’模式。
打破碎片化瓶颈！浙大&哈佛开源UniGeo，高保真相机可控编辑
当前主流相机可控图像编辑基于图像扩散模型，应对连续相机运动易出现问题。近日，浙大联合哈佛发布UniGeo框架，在三核心层面注入统一几何引导，克服结构退化，提升视觉质量与跨视角一致性。
告别「面瘫」配音，InfiniteTalk开启从口型同步到全身表达新范式
传统video dubbing技术有局限，新兴模型也有问题。美团视觉智能部研发的InfiniteTalk引入‘稀疏帧video dubbing’，实现口型、表情、肢体与音频自然对齐，解决长视频生成难题，技术已开源。
Fable 5被网友薅出省钱神招！最高减70%！
网友发现把Fable 5上下文转成图片，让模型通过OCR读取，token输入成本最多省70%。方法pxpipe在GitHub获3000+STAR，本质是本地代理，还引出谷歌老论文及DeepSeek - OCR相关技术。
第二代AI预训练范式：预测下个物理状态
英伟达科学家Jim Fan发布文章《第二代预训练范式》指出，当前以LLM为代表的AI模型基于「对下一词的预测」，在物理世界应用中「水土不服」，第二代范式应是「预测下一个物理状态」，引发机器学习社区讨论。