「视觉理解」共找到 1324 篇相关文章
华为Doc-Researcher 布局感知+视觉语义双杀
现有深度研究系统依赖文本网页数据，忽视多模态文档知识。华为Doc - Researcher系统解决多模态文档解析不足、检索策略有限、缺乏深度研究能力等问题，含多模块，能处理复杂多模态任务。
关于Pingpong和Cooperative的一些感性理解
作者团队在SGLang支持Hopper架构相关GEMM，经分析发现多数场景Pingpong调度策略性能优于Cooperative，K维度小的场景DeepGEMM性能优于CUTLASS。本文重点介绍Pingpong性能优势及Cooperative无法Overlap Epilogue的原因。
苹果新作：内化视觉思考，推理提速 5 倍
Apple研究团队提出Internalized Visual Thinking（IVT），一种将预测性世界建模能力内化到模型表征中的后训练框架。它在训练时预测未来，推理时直接回答，相比Visual CoT推理提速超5倍。
Feed-Forward 3D综述：三维视觉如何「一步到位」
这篇由12所机构联合撰写的综述论文，总结2021 - 2025年间数百项创新工作，建立Feed - Forward 3D方法谱系与时间线，介绍五大技术分支、应用场景、评测指标与结果，还指出未来挑战与方向。
企业广泛采用 Agentic AI，但领导层理解滞后
Sauce Labs调查显示，97%公司采用或计划采用Agentic AI用于测试，但61%领导层不完全了解软件测试需求。调查揭示矛盾现象，如受访者既看好自主测试又对数据访问不安。还指出团队与高管期望有差异，需解决不一致。
交互式世界模型来了：不止理解世界，更要改造世界
8月17日，智象未来发布交互式世界模型HiDream - O1 - World，定位为全球首款原生全模态交互式世界模型。它提供漫游和编辑两种交互方式，在WBench测试中成绩优异，但开放场景表现待验证。其采用独特生成方式，有广阔应用前景。
深入理解OpenClaw技术架构与实现原理（上）
文章深入解析OpenClaw技术架构与原理，它以Gateway为核心，是高度灵活的个人AI助手系统，改变了软件开发范式。涵盖统一控制平面、推理循环、定时任务等多模块。如Gateway负责消息路由等，推理循环控制运行逻辑。
谷歌发布 Gemma Scope 2，深化对 LLM 行为的理解
Gemma Scope 2 是谷歌推出的解释 Gemini 3 模型行为的工具，结合稀疏自编码器和转码器，能让研究人员检查模型内部表示。它从多方面扩展了原先的 Gemma Scope，还引入针对聊天机器人的分析工具，已发布权重。
「听觉」引导「视觉」，OmniAgent开启全模态主动感知新范式
针对端到端全模态大模型痛点，浙江大学、西湖大学、蚂蚁集团联合提出 OmniAgent，它基于「音频引导」，用「思考 - 行动 - 观察 - 反思」闭环实现范式转变，在多基准测试中超越开闭源模型。
准确率腰斩！大模型视觉能力一出日常生活就「失灵」
EgoCross项目团队聚焦跨域第一视角视频问答评测，揭示现有MLLM在多场景泛化瓶颈。团队提出跨域第一视角视频问答基准EgoCross，经测试揭示模型短板，验证改进方法潜力，研究入选AAAI 2026且数据集等已开源。