「通用视觉感知系统」共找到 1584 篇相关文章
小米发布Qwen2.5VL升级版MiMo-VL，能力提升30%
小米发布Qwen2.5VL升级版MiMo-VL，能力提升30%。它能完成输入视觉回答问题、做几何体等任务，重点解决多模态推理、视觉理解及与人类偏好对齐问题，介绍了模型结构、训练阶段等内容。
让代码接管世界演化，西湖大学发布Code视频世界模型
西湖大学研究团队提出 Code World Model，将‘世界如何演化’和‘世界如何被看见’拆成两个互补问题，由 Coding Agent 决定世界演化，代码执行规则，视频模型转化为视觉观察，有应用潜力。
有手就行，教你从0到1快速手搓搭建个GUI Agent
随着通用大模型发展，搭建GUI Agent难度降低。文章介绍如何用通用大模型API，从0到1搭建PC GUI Agent，包括原理、代码实现等，该Agent能跨应用操作，未来可强化功能。
让机器人「秒懂人话」！中国电信TeleAI发布首个实时文本驱动人形机器人控制框架TextOp
中国电信人工智能研究院（TeleAI）具身智能团队推出人形机器人TextOp通用小脑，首创流式文本驱动的实时小脑控制范式。用户发文本指令，机器人就能实时理解、无缝切换动作，在多场景有应用潜力。
小扎又开源了：7B实现自监督学习SOTA
Meta发布全新开源视觉模型DINOv3，首次证明自监督学习模型能在广泛任务中超越弱监督学习模型。它用无标注方法，扩展数据和模型规模，支持标注稀缺场景，在多任务实现SOTA。
给 Agent Skills 装上眼睛：MMSkills 用多模态技能包教会智能体看状态、做决策
上海交通大学和小红书团队推出面向通用视觉 Agent 的多模态技能框架 MMSkills，将可复用技能扩展为多模态程序性知识，通过 branch loading 调用视觉证据，在 GUI 与游戏任务评测中表现出色。
苹果掀桌！扔掉AlphaFold核心模块，开启蛋白折叠「生成式AI」时代
蛋白质折叠是计算生物学核心难题，SimpleFold作为首个仅基于通用Transformer模块的蛋白折叠模型，摒弃AlphaFold2系列传统架构，能将蛋白序列生成三维原子结构，在多基准测试表现强劲，还可生成结构集合。
DeepSeek-OCR 2 架构创新性能暴涨 3.73%
DeepSeek-OCR 2核心技术突破集中于DeepEncoder V2架构创新与端到端优化。如视觉Tokenizer低参高效压缩Token，LLM式视觉编码器用双流注意力驱动因果建模等，还采用三级训练流水线提升效率。
蚂蚁专用模型超越o3！仅用2K训练样本刷新医疗AI榜单纪录
蚂蚁集团联合团队发布《MedResearcher-R1: Expert-Level Medical Deep Researcher》报告，其医学AI智能体MedResearcher-R1用2100条训练样本在医疗基准测试反超通用大模型，靠数据、工具、训练方法三大创新实现突破。
AI终于“长”进机器人身体里！机械臂学会用触觉思考
香港科技大学申亚京教授团队研发出具身机器人手臂 EmArm，实现亚毫米级触觉定位与实时‘感知 - 行动’闭环。研究还提出‘感知 - 驱动’一体化算法，为打造物理 AI 机器人提供可扩展技术路径。