搜索：视觉定位分割

「视觉定位分割」共找到 967 篇相关文章

让AI学着“看菜下碟”！港中大等新框架让推理长度减少90%，准确率反增17%

香港中文大学等研究者提出TON选择性推理框架，使视觉语言模型能自主判断是否推理。该框架有两阶段训练机制，实验显示其让推理长度最多减90%，准确率还提升，有益模型部署。

现有抓取研究多在稳定性层面，而功能性抓取更接近真实世界的智能。北大卢宗青团队提出DemoFunGrasp方法，对功能性抓取重新建模，在仿真与真实场景均超70%成功率，还引入视觉语言模型让机器人理解语言指令。

6月11日小米MiMo团队开源MiMo Code项目，定位终端编程Agent。它基于anomalyco/opencode，虽有创新但引发争议，有人肯定工程设计，也有人质疑fork行为和运营节奏，本文还探讨了Harness方向与开源意义。

作者实测腾讯 Marvis，它能实现终端调度、多 Agent 协同、跨模态任务链执行等。虽在编码、审美等方面有不足，但定位安全实用，适合普通用户，体现 AI 助手从对话工具向执行系统转变。

文章给出将文章、故事变成漫画脚本的提示词参考，包含生成脚本和画图示例对话，从视觉风格、封面设计、布局、叙事结构、对话与文字设计等方面提出详细要求，为漫画脚本创作提供指引。

Hulu - Med是浙大、上交、UIUC等联合提出的通用医学视觉语言大模型，首次在单一模型统一理解医学多类数据。它开源透明，训练成本低，性能媲美GPT - 4.1，为医学AI带来新范式。

DeepSeek开源3B参数的新OCR模型，重新思考AI处理长文本方式，用视觉token压缩文本信息。核心组件有DeepEncoder和DeepSeek3B - MoE解码器，实验效果好，成本降低，还解决了一些算法和工程问题。

华为诺亚方舟实验室研究入选NeurIPS 2025，其提出视觉感知投机推理（ViSpec）框架，解决草稿模型处理图像信息效率难题，在不牺牲生成质量下，对主流VLM最高达3.22倍推理加速。

新的开源AI代码编辑器Void IDE发布测试版，定位为Cursor等闭源编辑器的免费隐私替代方案。它是VS Code分支，能利用多种大模型，提供AI功能，开发者对其开源和隐私立场感兴趣。

华为盘古多模态生成团队推出 Selftok 技术，通过反向扩散将自回归先验融入视觉 token。它突破传统，实现因果 token、强化学习友好型 token 及纯 AR 大一统架构，实验在多方面表现优异，论文还入选 CVPR 2025 最佳候选。