「视觉感知RAG」共找到 1104 篇相关文章
手机操控革命！开源手机AI Agent，自然语言操控Android/iOS！
传统移动设备自动化工具难实现自然语言控制和跨应用交互，开源项目Mobile - Use提供解决方案。它由Minitap AI开发，能通过自然语言指令实现设备UI感知自动化，功能丰富，应用场景广。
DeepResearch的概念、核心挑战与进化路径
华为、利物浦大学等研究者撰写综述文章《DEEP RESEARCH AGENTS》，梳理了DeepResearch进展。它由大语言模型驱动，超越RAG等现有技术，介绍其核心技术组件，指出面临的挑战并指明未来发展方向。
中山大学梁小丹团队论文：让视频生成从「看起来真实」到「物理上正确」丨CVPR 2026
中山大学梁小丹团队提出《ProPhy: Progressive Physical Alignment for Dynamic World Simulation》，通过分层建模和逐步对齐，引入视觉语言模型作监督，解决视频生成模型物理建模问题，提升物理正确性和视频质量。
GPT-4o-Image仅完成28.9%任务！上海AI实验室等发布图像编辑新基准，360道人类专家严选难题
上海人工智能实验室等团队针对图像编辑AI提出问题，推出RISE任务及配套评测基准RISEBench。测试九个视觉编辑模型，结果显示当前模型完成复杂指令能力欠缺，闭源与开源差距大。
新晋顶流Agent颠覆设计师！Lovart一手实测来了：是该刷屏爆火
新晋顶流Agent Lovart火爆全网，可一句话搞定专业视觉设计，支持二次编辑。量子位实测其设计能力强，背后是多模型融合调度。它定位人机协作，适合中小企业，官网可申请内测。
DeepSeek又又又又发新论文了！这一次，他们重构了AI看图的方式
DeepSeek发布论文DeepSeek - OCR 2，指出传统AI看图方式有误，提出视觉因果流概念。其两阶段级联推理解法效果显著，还可能整合进即将发布的DeepSeek V4，有望实现原生多模态。
你奶奶也能看懂：DeepSeek-OCR的秘密。
本文介绍DeepSeek-OCR，它并非普通OCR工具，而是用“上下文光学压缩”将大量文本信息转为少量视觉Token。其架构含编码器和解码器，压缩效果惊人，重新定义AI“记忆”，或改变AI认知方式。
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。
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。