「视觉交互」共找到 1210 篇相关文章
Qwen3-LiveTranslate：视、听、说全模态同传大模型！
Qwen3-LiveTranslate-Flash 是基于大语言模型的多语言实时音视频同传模型，依托 Qwen3-Omni 能力与海量数据，有多语言和方言支持、视觉增强等亮点，性能超主流大模型。
对话阶跃星辰段楠：“我们可能正触及 Diffusion 能力上限”
阶跃星辰段楠指出当前视频生成技术或触天花板，真正有深度理解能力的模型尚待突破。他预测未来1 - 2年视觉领域基础模型有望出现，还分享视频生成及多模态AI未来核心洞察。
前端没死，AI APP正在返祖
蚂蚁集团翁欣旦在SEE Conf大会提出，前端未被AI杀死，复杂度只是换形式存在。AI APP有交互和架构的返祖现象，终端因网络和算力限制不可替代，程序员应利用工程经验把握AI应用机会。
让Skill“有图可依”：openJiuwen首发多模态Skill范式Skill-Omni
openJiuwen社区发布业界最早工程化落地的多模态Skill范式Skill-Omni，让Agent经验从‘读得懂’升级为‘看得见’。它能将网页和视频视觉知识沉淀为多模态Skill，还介绍了生成及读取方式和适用任务。
19K star 霸榜，下一代的浏览器自动化神器！
做爬虫或Web自动化测试常因网页结构变动需重写脚本。Github上超火的Skyvern项目是基于浏览器的自动化代理，不依赖XPath或CSS选择器，用视觉识别结合大模型推理完成任务，已获19k+ star。
7B打败o3、GPT-5！医学AI智能体让模型学会“看哪里、怎么看”
上海创智学院LeapQuest团队联合多校，在ICML 2026接收两篇论文，提出“Think with Images/Think with Videos”范式，让视觉证据参与模型推理，Ophiuchus和MedScope分别用于图像和视频诊断，表现出色。
打破碎片化瓶颈！浙大&哈佛开源UniGeo，高保真相机可控编辑
当前主流相机可控图像编辑基于图像扩散模型，应对连续相机运动易出现问题。近日，浙大联合哈佛发布UniGeo框架，在三核心层面注入统一几何引导，克服结构退化，提升视觉质量与跨视角一致性。
告别「面瘫」配音，InfiniteTalk开启从口型同步到全身表达新范式
传统video dubbing技术有局限，新兴模型也有问题。美团视觉智能部研发的InfiniteTalk引入‘稀疏帧video dubbing’，实现口型、表情、肢体与音频自然对齐，解决长视频生成难题，技术已开源。
微软深夜送出程序员节最“离谱”的礼物：让Mico接管你的Copilot
2025年10月23日，微软发布“Copilot秋季发布版”，将Copilot升级为“情境AI基础设施”，更新12项关键功能，最瞩目是新增角色Mico。它能反映情绪，是微软人机交互探索的延续，引发网友讨论。
2.1K Star 本地实时数字人！阿里开源低延迟数字人系统，2.2秒实时响应！
阿里在GitHub开源轻量本地实时数字人对话系统OpenAvatarChat，摆脱高性能硬件依赖等问题。它平均回答延迟2.2秒，有100+预置形象，支持多模态交互，提供多种部署方式，适配多场景。