「视觉语义场景补全」共找到 2593 篇相关文章
优必选「拆墙」：具身智能行业等了三年的「安卓时刻」来了吗？
4月23日，优必选在FAIR plus 2026机器人全产业链接会期间发布开发者专属社区「Thinker Cosmos」。该平台能连接场景需求与开发者，解决行业痛点，以分层服务构建生态，还提及聚焦家庭场景刚需点。
ICLR 2026｜原生多模态推理新范式ThinkMorph ，让文字与图像在统一架构中共同演化
NUS、ZJU 等联合提出「ThinkMorph」，主张文字与图像在统一架构「原生协作」。仅用 2.4 万条数据微调 7B 统一模型，视觉推理平均提升 34.74%，多项任务比肩或超 GPT - 4o 和 Gemini 2.5 Flash，还涌现新能力。
Dify × MCP：让工作流不再是孤岛
Dify上新双向MCP功能，能让特定工作流融入通用场景。一个方向可添加现成MCP服务器扩展工具范围，另一方向能将自建工作流转成MCP服务器输出。它解决了工作流上手难、场景窄问题，提升了生产力。
我日常在用的所有 AI 工具，以及在怎么用
作者分享日常使用的 AI 工具及使用方式，指出 2025 年 AI 进入场景拼杀深水区，产品竞争白热化。介绍各工具在生产力和生活场景的应用，如深度整理、查漏补缺等，认为 AI 替代部分工作，渗透率会增加。
ICCV 2025 Highlight | 大规模具身仿真平台UnrealZoo
北京多校联合团队推出具身仿真环境平台 UnrealZoo，基于虚幻引擎构建近真实三维虚拟世界集合，收录 100 余个 3D 场景。该成果被 ICCV 2025 接收，已开源，其易用接口可助力具身 AI 研究。
阿里发布Qwen3-TTS：跨语言混合无缝切换，方言音色全面覆盖！
TTS技术从单一合成进化到多模态表达，但传统模型在跨语言/方言混合场景有不足，商业工具费用高且不开源，开源方案训练数据少。阿里推出Qwen3 - TTS，实现人类级自然度和表现力，功能强大，应用场景多。
视频生成Prompt何须仅是文字！字节&港中文发布Video-As-Prompt
AI视频生成中，依赖抽象语义控制的创作因缺乏统一条件表征而困难。字节与港中文团队提出Video - As - Prompt框架，引入‘视频参考’范式，实现抽象语义下可控视频生成范式统一，代码和数据集已开源。
4万多名作者挤破头，CVPR 2025官方揭秘三大爆款主题， 你卷对方向了吗？
CVPR 2025 官方根据 4 万多名作者 13008 份投稿，总结出计算机视觉热门的三大方向，即基于多视角与传感器的 3D 技术、图像与视频合成、多模态学习（视觉、语言和推理），并介绍了各方向热门原因。
Claude Opus 4.7连夜突袭：或将抢走全球7亿打工人饭碗！
Anthropic正式发布Claude Opus 4.7，定义为当前可广泛使用的最强Claude模型。其核心升级在复杂任务执行、高清视觉理解和长链路工作流，视觉能力大幅提升，在多方面超越对手，普通用户使用有三大变化。
ICML 2025 | 长视频理解新SOTA！蚂蚁&人大开源ViLAMP-7B，单卡可处理3小时视频
在视觉语言模型取得突破的当下，长视频理解挑战凸显。蚂蚁和人大团队提出视觉语言大模型ViLAMP，采用‘混合精度’策略，在多基准测试中超越现有方案，单卡可处理3小时视频，为实际应用带来新可能。