「视觉推理能力」共找到 4963 篇相关文章
微软再放LLM量化大招！原生4bit量化，成本暴减，性能几乎0损失
微软公布BitNet v2，性能几乎0损失，占用内存和计算成本显著降低。它首次实现对1比特LLMs的原生4比特激活值量化，通过H - BitLinear模块处理异常通道，实验显示其在多方面表现优异。
2个月，20亿美元估值、硅谷7500万美元投资，Manus给中国AI创业者指了条什么路？
文章以Manus为例，分析其国内被质疑、海外却受青睐的原因。指出它虽无自有模型，但为巨头带来增量价值。还借量子隧穿效应说明其先发红利，最后探讨其挑战、目标及对“套壳”看法。
首个多人对话视频生成框架MultiTalk，角色有表情还能互动
现有音频驱动人体动画方法多聚焦单人，处理多音频流能力弱、指令跟随有局限。中山大学提出多人对话视频生成新框架MultiTalk，介绍了技术原理，演示效果显示其指令跟随能力强、伪影少。
一个4000亿算力龙头将诞生？
海光信息与中科曙光联合宣布筹划重大资产重组，海光拟换股吸收合并中科曙光并募资。二者总市值超4000亿，此次并购有体量大、子并母、产业链纵向整合特点，或开启国内半导体并购潮。
Veo 3全网实测惊艳所有人！DeepMind CTO：规模是AGI全部吗？
谷歌推出视频生成模型Veo 3，一句提示词就能打造电影质感短片，还能音画同步，引发网友惊叹。DeepMind CTO在访谈中表示，规模非AGI唯一要素，还提及Deep Think模式及Veo 3进展等。
实测腾讯Hunyuan-Image2.0，首个毫秒级实时图像生成模型
今天上午腾讯发布混元图像2.0，以“更智能、更开放、更中国”为理念。其参数规模提升，推理时间大幅压缩，实现毫秒级实时生成，还在画面质量等方面升级，新增实时绘画板功能。
清华许华哲：具身智能需要从 ImageNet 做起吗？
清华许华哲探讨具身智能，分析其爆发原因、失败模式及决策点，涉及视觉信号输入、触觉应用、学习方法等，还探讨具身智能是否需‘ImageNet时刻’，并从宏观视角谈智能的共性。
上手“设计界的Manus”，朱啸虎点赞，Lovart这波魔法破圈了丨TIP 002
国产出海产品Lovart被称为“设计界的Manus”，获朱啸虎点赞。它是设计领域首个Agent，能用自然语言驱动生成多模态视觉作品，可生成VI体系、短片等，适合文创领域，还能人工编辑，调用多模型。
浙大&港理工等提出InfiGUI-R1：利用强化学习，让GUI智能体学会规划任务、反思错误
多模态大模型驱动的GUI智能体有潜力，但现有智能体面对复杂任务力不从心。浙大等机构提出InfiGUI-R1及Actor2Reasoner框架，通过两阶段训练提升智能体能力，InfiGUI-R1-3B在多基准测试中性能卓越，为GUI自动化工具开辟新道路。
郎园Station × 触点计划｜首期斜杠青年AI夜课即将收官，本周四来完成你的第一部影片
首创·郎园Station联合触点计划推出公益线下「斜杠青年AI夜课」，面向各类创作者提供AI创作干货、同好交流、作品展示与行业对接，首期将于9月24日收官，助力创作者打磨第一部AI短片。