搜索：开源视觉模型

「开源视觉模型」共找到 9134 篇相关文章

Gemini 3「开眼」像素级操控！谷歌回应DeepSeek-OCR2

Google DeepMind为Gemini 3 Flash推出Agentic Vision，让模型主动编代码操控图像，性能提升5% - 10%。该能力已上线，谷歌还计划扩展功能。这或许是受DeepSeek-OCR2刺激，两者技术路线不同。

花叔开源Huashu - Excel，它能处理Excel或CSV，按八步流程工作，有体检、对账、质控特色。经十份真实数据压测效果好，其设计激发大模型能力、避开缺陷，几乎所有agent都能用。

近期龙虾（OpenClaw）热度下降，harmess engineering大火。开源项目hermes-agent已有52.7k Star，是自学习型AI智能体，能积累技能、持续学习，可轻松切换多种模型，还给出安装、使用指南和文档教程。

本文是藏师傅开发的 Codepilot 全平台通用开源 Agent 客户端的保姆级入门攻略，介绍了其特色功能，涵盖安装、配置服务商、聊天、技能使用等方面，助读者快速上手。

当下机器学习应用开发流程复杂，开源数据库Postgres带来惊喜。PostgresML团队让AI模型跑在数据库中，介绍了PostgresML和Korvus两个关键项目，二者结合降低复杂度，让‘在SQL里跑AI’成工程现实。

黑森林工作室发布生成式流匹配模型 FLUX Kontext，它能编辑图片且不影响未编辑区域，支持多图参考生成新图像。可用于去水印、修复照片、修改海报、生成商品展示图等，还能美颜美体，替代 PS 等工具。

滑铁卢大学与快手可灵团队提出 UniVideo，是支持视频理解、生成与编辑的多模态模型。它采用双流架构，结合 MLLM 与 MM - DiT 能力，统一 10 个多模态任务，在多项基准超现有方法，代码已开源。

华为诺亚方舟实验室研究入选NeurIPS 2025，其提出视觉感知投机推理（ViSpec）框架，解决草稿模型处理图像信息效率难题，在不牺牲生成质量下，对主流VLM最高达3.22倍推理加速。

本文为非AI开发者科普AIGC、Agent、MCP概念和关系。AIGC用AI生成内容；Agent可自主决策调用工具；MCP是Anthropic开源协议，降低模型与工具集成成本，获大厂支持。

BLIP3 - o致力于统一图像理解和生成、提升生成质量和效率。它融合自回归与扩散模型，采用CLIP + Flow Matching架构等技术亮点。经训练，在图像理解和生成任务表现出色，指令微调效果显著。