「视觉语义场景补全」共找到 2593 篇相关文章
字节手里的牌，比收购 Manus 更狠 - AnyGen 体验一周有感
本文作者分享使用字节海外推出的通用AI Agent产品AnyGen的体验，介绍其功能亮点、多场景测试效果，对比竞品，认为它定位职场场景，性价比高，或引领通用Agent竞争转向用户体验。
硅谷还在「卷PPT」，中国机器人大军上岗！看呆歪果仁
全球具身智能顶级赛事GDPS 2025在上海张江开幕，智元与宇树等企业同台竞技。赛事分六大主题赛道，首创‘三元评审’机制，还有‘实验工坊’。上海以千亿资金、国家级创新中心和全场景实验推动具身智能发展。
华人团队让AI把表格“翻译”成问题，检索速度×5
表格检索在RAG里是小众问题，传统表格问答系统有Retriever和Reader组件，关键是对齐表格与问题语义。QGpT能生成模拟问题，使表格语义更丰富、对齐更准确，分离线、在线阶段，训练后可提升检索收益。
Claude Opus 4.7 上手实测：花7倍价格买输出，值不值？
作者实测Claude Opus 4.7，其定价约为GPT - 4.5的6 - 7.5倍。它有全新架构、强化Agent能力等升级，在代码生成、推理分析等多场景表现出色，是否值高价取决于使用场景。
DeepSeek多模态新范式：一张图压缩7056倍，思考能力反超GPT和Claude
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。
JinaVDR: 一个图文混排文档搜索任务的基准集
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。
广电绝地反击！揭秘多彩新媒「不烧钱」的AI生存法则
传统广电行业面临生存危机，多彩新媒依托1100万IPTV用户，规划‘技术筑基－场景落地－生态协同’转型路径。战略聚焦三核心，技术结合外部能力分层搭建体系，场景围绕三维度落地，生态强调内外联动。
DeepMind率先提出CoF：视频模型有自己的思维链
DeepMind在Veo 3论文中提出帧链CoF概念，类比语言模型CoT，让视频模型能时空推理。实验显示Veo 3有通用视觉理解能力，能零样本解决视觉任务，未来通用视频模型或取代专用模型。
港科大&北京人形提出LOVON：足式机器人开放世界全域目标追踪新范式！
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。
智谱GLM-OCR，0.9B开源即巅峰，复杂文档精准解析
智谱发布并开源GLM - OCR，以0.9B轻量级参数在多项基准取得SOTA。它解决视觉感知难题，具备视觉编码与语言解码协作架构，还可端侧与高并发部署，成本低，推动文档智能化处理升级。