搜索：高分辨率图像感知

「高分辨率图像感知」共找到 792 篇相关文章

机器人WAIC现场抢活讲PPT？商汤悟能具身智能平台让机器人「觉醒」

具身智能火爆但面临数据瓶颈等难题。商汤在WAIC推出具身智能平台「悟能」，以世界模型为引擎，有感知、导航、交互等功能，其开悟世界模型能生成多视角视频，为机器人提供数据支持。

Moonshot AI发布Kimi K2.5技术报告，该模型将文本和视觉打通，有并行执行的智能体集群系统。它采用Joint Training，提出“Zero-Vision SFT”，用MoonViT - 3D处理图像和视频，开源后受欢迎，展示通用智能体可能。

验证码发展多年，从最初文本形式到如今图像形式。用户点选验证码时，实际在为AI免费提供训练数据，如谷歌让全球网民免费转录资料、为自动驾驶AI打工。如今验证码攻防战激烈，未来或利用AI弱点创新。

近日，清华大学和蚂蚁数科在NeurIPS上联合提出Dual - Flow新型对抗攻击生成框架。它能从海量图像数据学“通用扰动规律”，对多模型、多类别发起黑盒攻击，为AI安全带来挑战，已用于蚂蚁数科产品。

因网友质疑上次测评不严谨，此次用六款大模型挑战含解答题的全套高考数学题。结果Gemini 2.5 Pro夺冠，Doubao和DeepSeek R1并列第二。解答题是失分重灾区，图像题难倒多模态大模型。

2025年12月12日，第八届GAIR全球人工智能与机器人大会在深圳开幕。众多顶级学者围绕AI对教育、产业等领域的影响发表演讲与讨论，如赵伟院士提出高校“加减替换”培养模式，贾佳亚教授认为大模型将走向“感知机器+终身学习”模式等。

DeepSeek-OCR模型探索视觉-文本压缩边界，用少量视觉token解码出10倍以上文本信息。它在OmniDocBench基准上表现超GOT-OCR2.0，为LLM长上下文问题提供方案，还能处理多类图像与近100种语言。

快手全新多模态大语言模型Kwai Keye-VL上线且开源，能深度融合多模态信息，在视频理解、复杂视觉感知和逻辑推理上表现优异。介绍了其技术架构、预训练和后训练策略及训练架构优化等内容。

OpenAI CEO Sam Altman 亲自发布 ChatGPT Images 2.0，这是该公司迄今功能最强的图像生成模型。它有思考能力，可直出 8 张连贯图片，支持多语言、多种画幅与分辨率，能精准执行复杂指令，直接商用也没问题。

本文整理自字节跳动韩剑在AICon 2025北京站的分享，以Infinity为例介绍自回归视觉生成原理，对比其与扩散模型，展示Infinity升级方案成果，它在高分辨率文本到图像任务能与扩散模型竞争。