搜索：视觉交互 - AI Reading Hub

「视觉交互」共找到 1210 篇相关文章

VEGA-3D：释放视频生成模型中的隐式3D知识，重塑3D场景理解与具身交互

华中科技大学与百度联合提出VEGA - 3D，释放视频生成模型隐式3D知识。它将视频生成模型作‘潜在世界模拟器’，用自适应门控融合机制，提升场景理解等任务表现，无需额外3D标注数据。

人大窦志成教授团队联合OPPO研究院提出DeepImageSearch图像检索新范式，将其从“逐张语义匹配”推向“语料库级上下文推理”。团队构建评测基准DISBench，用ImageSeeker框架评测主流模型，结果显示最强模型单次完美解决查询比例不超三成。

俄亥俄州立大学团队用2亿生物图像训练BioCLIP 2模型，取得最优物种识别性能。它在无相应监督信号的非物种任务中，准确率远超DINOv2，还涌现出物种间生态对齐、物种内差异分离等生物学理解。

OpenAI总裁Greg Brockman分享了对AI发展的看法，称2023年推出的插件功能失败，因当时大模型未准备好。他认为未来AGI是隐形虚拟助理，无界面和产品。还指出算力稀缺，智能折旧快，模型改进空间大。

Soul App 新开源实时数字人项目 SoulX-LiveAct，解决 AR 扩散模型流式生成稳定性问题。它实现 20 FPS 实时流式推理，延迟 0.94 秒，支持无限时长，有恒定显存等亮点，可用于多场景。

新加坡国立大学邵林团队提出T (R,O) Grasp，这是基于物体—机器手空间关系建模的图扩散架构，有跨智能体统一表征能力，在多种智能体上平均抓取成功率达94.83%，刷新跨智能体灵巧抓取SOTA。

这是一篇AI行业周报，涵盖多领域热点。如Manus季逸超复盘Agent研发经验；陶哲轩评OpenAI模型获IMO金牌；字节跳动绩效改革、人员变动；还有企业动态，像英伟达黄仁勋访华、宇树科技开启上市辅导等。

谷歌开源MCP Toolbox获1.9K Star，支持langchain、llamaindex和各类数据库。它位于应用编排框架间，能简化数据库配置等，可用自然语言交互，还给出python调用方法。

OpenAI官宣ChatGPT Pulse上线，它改变LLM交互方式，从被动变主动。每晚研究，晨送简报，涵盖工作、生活、兴趣目标。其主动受用户控制，还给出三个试用场景。

在AIGC领域，ComfyUI虽强大但节点复杂。阿里团队开源ComfyUI - Copilot，通过自然语言交互增强工作流自动化，有节点搜索、工作流构建等功能，简化操作，提升效率。