「视觉输入」共找到 866 篇相关文章
链式思维是幻象吗？从数据分布视角重新审视大模型推理，马斯克回复，Grok破防
亚利桑那州立大学研究发现，思维链（CoT）推理可能只是对训练数据分布内模式的复现，输入与训练数据分布有差异时，推理链条会失效。研究探究了CoT泛化性等问题，对实际应用提出警示。
直接从像素到单词：这个原生大模型统一单图、多图、视频和空间智能
南洋理工大学等团队推出NEO - ov模型，挑战传统「视觉编码器 + 大模型」范式，直接从原始像素学语言。它在多任务表现出色，尤其空间智能突出，但在OCR等方面有短板，展现原生多模态建模潜力。
一句话启动AI打工人？我用Claude Skills做了个“微博热搜挖掘机”，效率炸了！
作者黄叔分享用Claude Skills做“微博热搜挖掘机”，介绍其类似给AI员工发《员工手册》，还讲了准备工作，如获取微博热搜接口，输入指令后Claude自动干活，成果可观，Claude Skills适合普通人入门。
RAE+VAE? 预训练表征助力扩散模型Tokenizer，加速像素压缩到语义提取
近期，RAE 提出以「 冻结的预训练视觉表征」作潜空间提升扩散模型性能。同期西安交大与微软亚研院提出 VFM - VAE，结合 RAE 与 VAE，能加速模型收敛、提升生成质量，展示扩散模型 Tokenizer 演化方向。
面壁MiniCPM-V4.5新王炸！8B手机10FPS长视频秒懂，文档手写全能识别！
面壁上新最强端侧多模态模型MiniCPM-V 4.5，基于Qwen3 - 8B与SigLIP2 - 400M构建，总参数量8B。它视觉语言理解强、手机能跑，有高帧率视频理解等特点，还有多方面技术亮点。
41个榜单SOTA！智谱最新开源GLM-4.5V实测：看图猜地址、视频秒变代码
智谱基于GLM - 4.5打造的开源多模态视觉推理模型GLM - 4.5V，在42个公开榜单中41项夺得SOTA。其功能丰富，玩法升级，还为企业与开发者提供高性价比方案，是100B参数级SOTA标杆。
WAIC最强亮点：非Transformer离线AI大模型已大规模量产，大模型商业比我们想得更快
在WAIC上，RockAI推出非Transformer离线AI大模型Yan 2.0 Preview，有视觉感知跃升和自主学习能力两大提升。该公司走非Transformer路线，着重场景落地，通过“标杆战略”推动产品量产，未来构想构建“群体智能”世界。
机器狗能当羽毛球搭子了！仅靠强化学习从0自学，还涌现出类人回位行为 | Science子刊
苏黎世联邦理工学院团队让机器狗靠强化学习学会打羽毛球，开发全身视觉运动控制策略，使其最高挥拍速达12米/秒，还涌现类人回位行为，研究证明足式机器人在体育场景应用可行。
Claude Design连夜突袭，Figma市值瞬间蒸发！或抢走全球UI设计师饭碗
Claude实验室推出Claude Design功能，只需输入一句话就能生成可交互完整原型，让Figma等设计公司股价跳水。它或让画图动作消失，引发对设计师职业是否会被取代的思考，Anthropic还在下更大的棋。
腾讯混元开源世界模型！2.0版本一键生成3D空间，游戏关卡随心造
4月16日，腾讯正式发布并开源混元3D世界模型2.0（HY - World 2.0）。它是多模态模型，能理解多种输入，自动生成、重建和模拟3D世界，支持多格式3D资产导出，可与游戏工作流对接。