搜索：通用视觉感知系统

「通用视觉感知系统」共找到 1584 篇相关文章

一个标点就能迷惑LLM-as-a-Judge！

论文揭露惊人漏洞，一个标点或通用推理开场白就能欺骗最先进的LLM裁判，导致强化学习训练崩溃。研究通过实验验证漏洞，提出Master - RM模型，其FPR近乎0%且保持通用裁判能力。

Claude发布的Managed Agents让“Agent Harness”概念受关注，而国内紫东太初ScienceClaw早有相关思路并落地。它全链条覆盖科研，能7x24小时优化，具透明执行优势，还覆盖通用场景，架构有创新。

今早，Manus 宣布加入 Meta，收购金额达数十亿美元。此前字节跳动曾试图收购被拒。加入后，肖弘任 Meta 副总裁，核心团队并入 Meta AI。业内看法不一，有人赞创业成功，也有人质疑通用 Agent 是大厂游戏。

作者认为通用科学计算是比生成式AI更大的市场、机会，英伟达在该领域有统治地位，其竞争对手难以追赶。从市场本质、收入模式、护城河三方面分析，通用科学计算前景更优。

BiCo是创新AI视觉内容生成方法，能灵活组合图像和视频视觉概念实现可控编辑。它解决现有方法在概念提取和组合上的问题，在多方面表现优异，可用于视频制作、艺术创作等领域。

多模态长文档视觉问答常见于科研论文等场景，现有技术路线有大视觉 - 语言模型直接端到端和检索增强生成，但各有缺点。MMRAG - DocQA引入新方案，解决多模态连接和跨页证据链接问题。

DeepSeek上线多模态并开源新范式技术。该研究让AI用视觉原语思考，弥合语言与视觉指代鸿沟。它构建紧凑模型架构，信息压缩率达7056倍，训练分三阶段，测试中表现出色，也存在局限。

现有文档检索基准大多只考虑纯文本，难以处理含图表等视觉信息的文档。JinaVDR 应运而生，它是图文混排文档搜索基准集，含多语言、多领域数据，可评估模型在复杂视觉文档的检索性能。

港科大广州联合北京人形创新中心推出LOVON框架，融合大语言模型、开放词汇视觉检测和语言 - 运动映射模型，解决足式机器人开放世界全域目标追踪难题，有抗干扰视觉处理等优势，性能超传统方法。

人大、MSR、清华的LLM - in - Sandbox开启「通用代理智能」新范式，把大模型放进“虚拟机”，让其在6大任务上成绩全线暴涨，零额外训练解锁“通用代理智能”，还介绍了相关实验、优化及效率情况。