「视觉推理能力」共找到 4962 篇相关文章
专访中科第五纪黄岩：在具身智能的狂热中，做一位技术实干家
机器之心专访中科第五纪黄岩，他在具身智能狂热中是技术实干家。其有学术和工业界双重身份，技术覆盖多领域。团队解决行业数据利用瓶颈，推出超少样本大模型等成果，在商业落地表现出色。
让外部知识“长入”模型：动态化与参数化 RAG 技术探索
检索增强生成（RAG）成大语言模型利用外部知识主流范式，但传统方法将其当黑箱，忽略动态需求和机制鸿沟。艾清遥博士介绍动态化和参数化检索增强技术，可提升准确性与适应性，减少计算开销。
Soul App 又又又开源了！这次是实时交互数字人，支持小时级长视频甚至无限时长！
Soul App 新开源实时数字人项目 SoulX-LiveAct，解决 AR 扩散模型流式生成稳定性问题。它实现 20 FPS 实时流式推理，延迟 0.94 秒，支持无限时长，有恒定显存等亮点，可用于多场景。
没想到，又一个Code Agents瓶颈，被美团&上交大彻底撕开了~
AI写代码能力提升，但打分方法僵化且成本高。上交大与美团论文提出新基准PRDBench，让AI出题人审核，还训练裁判PRDJudge，提升打分准确率与稳定性，促使AI学会‘看懂需求’。
一款产品，同时为人类和 Agent 设计，LibTV 是怎么做的？
3月18日，LiblibAI旗下AI视频创作平台LibTV上线，它从设计之初就兼顾人类创作者和Agent。创作者端工作流画布可控；Agent端可通过Skill接口创作，交付可编辑项目。该产品还针对两者差异做了设计，价格也便宜。
龙虾的应用商店挂牌了！北大开源MagicSkills，让Agent Skill可自由安装组合同步
北京大学Narwhal - Lab开源项目MagicSkills，把AI Agent所需技能统一管理，实现能力复用。它解决了技能管理分散、重复等问题，提供共享体系，让技能可安装、组合、同步和调用，适用于多Agent项目等。
极客大神构建了LLM架构画廊，AI大神Karpathy点赞
极客大神Sebastian Raschka构建LLM Architecture Gallery，将复杂模型结构化繁为简，引发技术圈讨论，AI大神Karpathy点赞。画廊高度视觉化、互动性强，展示模型架构图及核心参数，源数据开源。
太巅了！MIT老哥在Transformer里造了台计算机，LLM从此不需要调用外部工具？
LLM在数学推理表现佳，但纯计算是短板。MIT的Christos Tzamos团队在Transformer内造计算机，实现WebAssembly解释器，解决数独难题，还突破注意力机制瓶颈，打开软件与神经网络新接口。
揭秘！腾讯女程序员的上下班生活
“三八”国际妇女节，腾讯程序媛号随机采访女程序员。闫子、语心等多位女程序员分享工作内容、穿搭、兴趣爱好等，还谈及小时候梦想与工作联系，以及对AI影响的看法，最后评论区有福利。
黑马图像模型被Nano Banana技术负责人点赞！15人华人小队，DDIM之父&CVPR最佳论文作者带队
Luma AI推出全新图像模型Uni - 1，对标谷歌Nano Banana Pro和GPT Image 1.5。它是统一图像理解与生成模型，多项评测表现出色。背后是不到15人的华人团队，由DDIM之父和CVPR最佳论文作者带队。