「视觉交互」共找到 1210 篇相关文章
3年手搓ChatGPT！剑桥天才少年在Minecraft游戏中爆火回归
MC大神sammyuri时隔3年发布新作，在MC中复刻ChatGPT，名为CraftGPT。虽参数量小，但用Transformer架构，能和用户交互。模型训练用Python和小数据集，视频存档公布助理解原理。
开源 DeepSeek Harness 开箱即用客户端，还有几个易用插件
DeepSeek 发布了 DeepSeek Harness，坚持‘一切皆插件’理念。不过它使用门槛偏高，作者做了 Pilot Harness，优化 UI 与交互，添加侧边栏和文件树、服务商配置插件，还支持多系统。
这个免费插件让我对着空气说话，Clawdbot竟然听懂了，还干完了活。
作者介绍免费插件让语音操控Clawdbot成现实，分享操作流程，还提到语音交互优势，对比《Her》中场景，指出当前设备功能实在，但情感上缺人味儿，更像《钢铁侠》里的贾维斯。
这款OCR神器绝了，PDF、表格、手写体通吃，20+文档支持，9.4K Star！
开源君在Github发现开源OCR工具Zerox，由Omni - AI团队开发，利用AI视觉模型“阅读”文档，将多种格式文档转Markdown。它功能强大，处理复杂文档优势明显，在Github获9.4K Star。
OpenAI将发布AI Agent浏览器，挑战谷歌Chrome
路透社消息，OpenAI将在未来几周发布AI Agent驱动的网络浏览器，或挑战谷歌Chrome。其设计让部分交互在聊天界面完成，还能整合产品自动执行任务，不过也面临激烈竞争。
MIT团队完成AI控制人类行为实验项目
MIT团队的Human Operator项目是实时人体增强工具，也是MIT Hard Mode 2026获奖项目。它通过视觉 - 语言模型结合电刺激肌肉实现人体运动控制，介绍了技术栈、环境要求、软硬件准备、安装步骤等。
我在OpenAI修中文
OpenAI研究科学家陈博远介绍GPT Image 2官网博客花絮，分享模型训练、测试情况，还展示亲手制作的官网图片，包括中文彩蛋、漫画、杂志页等，体现模型文字渲染、视觉推理等能力。
LeCun力荐的JEPA杀入LLM，用CV的思路训练LLM，性能鲁棒性双丰收
LeCun团队提出LLM - JEPA，将JEPA自监督学习架构从视觉扩展到LLM。它能提升性能和鲁棒性，在多模型和数据集验证有效，但有训练开销大、泛化性不足等局限。
当大家都在“养龙虾”时，阿里把生态里最大的龙虾递到了千问手里
2026年1月千问App上线点外卖、订酒店机票等服务，起初有局限，后体验改善。千问又上线“一句话打车”，接入阿里丰富生活服务生态，有望成“任务操作系统”，推动软件交互变革。
MiniMax海螺视频团队首次开源：Tokenizer也具备明确的Scaling Law
MiniMax海螺视频团队首次开源，揭晓视觉分词器难题答案。其推出的VTP框架可提升模型性能，解决传统Tokenizer缺陷，还展示了Tokenizer的Scaling Law，为行业提供新路径。