「原生分辨率视觉感知」共找到 1156 篇相关文章
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。
谷歌发布 Firebase Studio 重大更新，用于代理式 AI 开发
7月初谷歌伦敦云峰会上，Firebase Studio展示重要新功能，包括自主代理模式、对MCP原生支持及Gemini CLI集成，旨在简化代理式AI开发，让其更自主、信息丰富且融入开发流程。
马斯克Grok的AI男友还在取名，开源版AI女友已经火了，还是3D的
前几天Grok推出‘智能伴侣’功能，马斯克在线征集男性Grok数字伴侣命名。网友Jackywine复刻出3D版开源AI女友‘Bella’，介绍了其工作流、愿景及规划的‘AI原生’演进路径。
实测丨HeyGen开源HyperFrames，让AI Agent用HTML做视频
复杂视频剪辑工具对非专业人士和AI Agent不友好，HeyGen开源的HyperFrames是视频渲染框架，可让AI Agent用HTML做视频。该项目更新频繁，有HTML原生、为AI设计等特点，文末附项目链接。
阿里WebDancer：训练类DeepReaserch的Agentic Model
来自阿里巴巴通义实验室的研究员推出WebDancer，这是一个原生信息检索的Agentic Model，能自主浏览网页、思考和决策。它基于ReAct框架，经多阶段训练，在信息检索基准测试中表现出色，为解决复杂检索问题提供新思路。
快9倍还更清晰？Direct3D-S2一键解锁高效3D生成
在高分辨率三维形状生成中，传统方式有计算与内存瓶颈。南京大学提出Direct3D - S2框架，基于稀疏体积构建，有空间稀疏注意力机制，加速计算，还引入统一格式VAE，生成质量领先，训练成本更低。
飞书和豆包合并后的第一个Agent产品，豆包工作，它来了。
字节发布飞书与豆包整合后的首个产品——豆包工作，它是完整办公 Agent，与飞书原生打通，功能丰富。对用飞书办公的公司而言，使用便捷，还便于管理 AI 额度，是很好的 Agent 起手式。
刷榜自动驾驶语义场景补全！北大新作：高维度、高密度 | AAAI'26
北京大学彭宇新教授团队提出视觉语义场景补全方法HD² - SSC，通过高维度语义解耦和高密度占用优化，解决现有技术维度与密度差异问题，在两自动驾驶数据集上取得最优性能。