「视觉空间」共找到 1119 篇相关文章
AI时代，最老的设计哲学反而最有效
50年前的Unix哲学‘万物皆文件’和‘文件夹即应用’正以意想不到的方式回归。过去因‘人类可理解性’被推崇，如今因AI能操作而重获重要性，文件夹成‘智能空间’，AI成其操作系统。
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。
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。
罗福莉C位亮相小米，离职DeepSeek后首次官宣
罗福莉今日官宣加入小米任MiMo团队负责人。此前就有她被雷军高薪挖到小米的传闻。她学术成果出色，曾在阿里达摩院、DeepSeek工作。小米MiMo剑指空间智能，与雷军的人、车、家全生态适配。
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。
李飞飞发布Atlas，世界模型进入新时代
李飞飞创业公司 World Labs 发布新一代世界模型 Atlas，它是全模态模型，能处理四模态数据。其核心为空间上下文设计，评测成绩不错，应用场景丰富，公司发展节奏密集，产品路径有转向。
爆改！8.1 万 Star LobeHub ，终于让我彻底解放啦！！！！！
LobeHub是开源的Agent工作与生活空间，GitHub约8.1万Star。它将Agent作为工作基本单位，解决了多Agent管理难题，有创建、协作、调度等功能，还介绍了工作流和自托管方法。
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。