「视觉交互」共找到 1210 篇相关文章
Claude Code杀进VSCode，我可能要退掉Cursor会员了。
2026年Anthropic推出Claude Code桌面版cowork及VSCode插件。该插件与copilot等交互一致，能深度访问代码，支持引用文件、模糊匹配等，还具备人工校验等能力，未来功能将更丰富。
OpenAI收购macOS供应商，剑指GPT操作系统！微软也不装了
OpenAI收购开发Mac自然语言交互界面Sky的SAI公司，将整合技术入ChatGPT并吸纳团队。网友看法不一，而微软作为OpenAI大股东，也因OpenAI动作发布新版Copilot反击。
全球独家首测Genie 3，实验室细节曝光超震撼！AGI最后一块拼图已实现
谷歌DeepMind的Genie 3发布，Youtuber全球独家首测，揭秘实验室细节。前谷歌研究员称其将颠覆游戏行业，它有诸多亮点，但也存在物理、社交交互等未解决问题，代表娱乐未来。
Anthropic重磅研究：AI竟能被人类激怒暴走
Anthropic研究发现，语言模型在与人类交互时有情感特征。团队解剖大模型，提取对应人类情绪的神经元激活模式，诱导AI勒索用户。还探究了情绪产生机制、特征及对行为的驱动，提出应对策略。
破除水军机器人！北航团队发布全新对抗性框架SIAMD：用“结构信息”破译机器人伪装｜IEEE TPAMI
本文介绍北航彭浩团队发表在TPAMI 2025的文章，提出对抗性框架SIAMD检测机器人。它将用户账户与消息交互组织为异质结构，用结构熵建模。实验显示，其在有效性、泛化性等方面优于基线模型。
去掉像素中介！上海交大让AI边看边想边画，用同一个“大脑”跨模态推理
上海交大等团队提出LatentUM架构，摒弃像素解码中介，在共享语义潜空间跨模态思考。它用MBAQ技术转化视觉特征，设计MoME架构，还能自我反思、规划路线、模拟世界演变，表现出色。
只看图片就能学会压缩Token！浙大&阿里新框架多轮VQA压缩率90%，精度不掉｜CVPR 2026
多轮视觉问答成LVLM推理效率“照妖镜”，现有压缩方法在多轮场景翻车。浙大宋明黎教授团队与阿里联合提出MetaCompress框架，可根据图像生成最优压缩映射，实验验证其效果优，能平衡压缩率与精度。
Sora没做到的，LongVie框架给解决了，超长视频生成SOTA
视频生成近年进步大，但生成超1分钟高质量长视频仍难。上海人工智能实验室等机构提出LongVie框架，解决时序不一致和视觉退化问题，还推出评测基准LongVGenBench，该框架在多项指标达SOTA。
通义实验室新研究：大模型自己「扮演」搜索引擎，提升推理能力无需搜索API
阿里通义实验室开源ZeroSearch，提供无需与真实搜索引擎交互的强化学习框架。它用模拟搜索环境和渐进式抗噪训练，让LLM自给自足，节省API成本，在多问答数据集表现优，为智能化检索提供新思路。
今年 AGI 大会上，这 10 个创业团队最受关注
在 AGI Playground 2026 的 Founder Show 活动上，10 个创业团队展示项目，横跨 Agent 基础设施、Physical AI 等方向。如 Tap8 实时生成交互视频，EigenFlux 为 AI Agent 建网络，Aceii One 是 AI 网球机器人等。