「视觉推理功能」共找到 4005 篇相关文章
阿里开源电影级AI视频模型！MoE架构，5B版本消费级显卡可跑
阿里开源新一代视频生成模型通义万相Wan2.2，含文生视频等功能。它率先将MoE架构用于视频生成扩散模型，5B版本可在消费级显卡部署。对比前代和Sora表现更优，还推出电影级美学控制系统。
仅需0.7秒单图像实时3D重建，开源扩散模型
单图像3D重建是计算机视觉难题，传统基于回归和生成式方法各有局限。Stability - AI开源SPAR3D模型，融合两种方法规避局限，仅0.7秒完成单图实时3D重建，实验显示性能显著优于其他基线方法。
昇腾910B大模型实测：开源框架能不能打？真相全放这了
文章对昇腾 910B 大模型进行实测，对比 vLLM Ascend 与 MindIE 在实际推理场景中的性能差异。通过 GPUStack 平台测试多种模型，结果显示两者在不同部署场景各有优势，vLLM 适合单卡小模型，MindIE 适合大模型多卡部署。
真碾压Sora了！谷歌Veo 3首次实现音画同步，视频模型直接「开口说话」
谷歌正式发布Veo 3，它能生成高质量视频，还能理解原始像素，自动生成与画面同步的对话、多种音效。得益于DeepMind的V2A底层技术，其音画合成功能领先。虽有时长和使用门槛限制，但已足够震撼。
不再“纸上谈兵”：大模型能力如何转化为实际业务价值
InfoQ《极客有约》X AICon 直播栏目邀华为云郑岩、蚂蚁集团杨浩、明略科技吴昊宇，探讨大模型驱动业务提效。分享场景探索、技术落地经验，如选模型考量因素、AI Agent 创新等，还提及 MCP 应用与未来展望。
315 行代码构建编程助手，Go大佬揭开智能体的「神秘面纱」
知名Go大佬Thorsten Ball用315行代码构建编程智能体，虽无法与Claude、Gemini等编码功能媲美，但为初学者提供学习范例。文章分享构建步骤，包括准备工作、添加工具等，展示如何让智能体与Claude对话及使用工具。
本文关注vllm V1中管控模型分布式推理的Executor部分，介绍其类型、Executor-Workers架构及数据传输机制，对比V0架构优势，以单机多卡的MultiprocExecutor为例展开讲解，还提及不同数据量的传输方式及相关代码。
解码提速15.1倍、多任务性能不降：复旦&引望WAM-Diff2打通自动驾驶VLA自回归—扩散转换
视觉-语言-动作（VLA）模型是端到端自动驾驶主流技术，但自回归解码架构有瓶颈。复旦大学与引望智能联合提出WAM-Diff2，实现自回归VLA向离散扩散模型迁移，解码加速15.1倍，多任务性能不降。
多 Agent 并行，手机也能用，已经 4 万星！
GitHub上项目Orca是专为「并行Agent」做的开发环境，开源4个月揽4万+ Star。它让多个Agent在独立git worktree里并行干活，互不干扰，还支持近30款主流Agent，另有多种实用功能，安装也简单。
离谱！我以为它只是提示词合集，结果 16.4 万 Star prompts.chat 直接把 Prompt 收藏夹干成团队资产库
一开始以为 prompts.chat 只是提示词合集，实际它把零散 Prompt 变成可搜索、可自托管、可接工具链的团队资产库。截至 2026-06-29，它在 GitHub 有 16.4 万 Star，还介绍了其功能、适用场景和局限。