搜索：视觉 - 语言模型

「视觉 - 语言模型」共找到 8090 篇相关文章

穿越100年前打造的AI，不知道二战和互联网，却从几个例子学会了Python

前OpenAI研究成员等打造出130亿参数的时代语言模型talkie，只用1930年前英文词元训练。它不知二战等现代信息，能从例子学Python，风格似20世纪绅士，研究团队将扩大其规模。

研究表明扩散图像生成器学习重建预训练编码器嵌入可加快训练，Apple团队提出的FAE，通过缩小嵌入再重建解决了因嵌入尺寸大导致的训练受阻问题，性能与先进模型相当且训练更快。

3D视觉领域难题是用普通摄像机将高速世界转为数字化4D时空。受限于成本和带宽，现有方法有局限。本文提出“异步采集 + 视频扩散模型修复”方案，用30 FPS相机恢复100 - 200 FPS动态细节。

谷歌DeepMind的AlphaProof在IMO获接近金牌的银牌成绩。它结合大模型直觉、强化学习和Lean形式化证明解题，虽在速度、泛化和读题上有局限，但开启了人类数学家与AI协作新阶段。

美图布局下一代视觉 AI 入口，领投 Visual Agent 创业公司 Chance AI 数百万美元天使轮融资。该公司成立于 2025 年 8 月，从北美大学生切入，有独特产品逻辑，融资后将推进多方向发展。

Anthropic发布Claude Opus 4.7模型，相比4.6版处理长任务更严谨，能自我验证输出。它在视觉、指令遵循、记忆等能力上提升，企业级应用表现出色，还有新功能与安全特性，不过使用成本更高。

来自美国两所大学的华人团队发布「AI方法论三部曲」，提出「能力实现率（CRR）」模型、「认知几何学」框架，指出处于AI的「元语言时刻」，未来迈向「思想微积分」时代，从多维度构建理解AI的世界观。

Andrej Karpathy 认同Shopify CEO关于「上下文工程」的观点。它指为大语言模型提供恰当信息和工具，比提示词工程更重要。文章介绍其概念、与提示词工程区别，及写入、筛选等落地策略。

KrillinAI是多功能音视频本地化与增强方案，面向人类用户和AI Agent。它功能全，覆盖视频处理完整链路；特点多，支持CLI调用等；还兼容多种语音识别、大语言模型和TTS服务，可Docker部署。

近日，RoboChallenge推出全球首个大规模、多任务真机基准测试。它构建开放、公正、可复现的‘真实考场’，为视觉 - 语言 - 动作模型提供评估标准，推动具身智能发展，还提供远程测试服务等。