搜索：视觉定位分割

「视觉定位分割」共找到 967 篇相关文章

V-RAE：把「看懂视频」的能力带入生成，重新思考视频模型的潜空间

近日，新加坡国立大学 Minghui Guo 与牛津大学 Shengqiong Wu、Hao Fei 在论文中提出视频表征自编码器 V-RAE。它以冻结的视觉基础模型为编码器压缩视频特征，还引入轻量级模块聚合信息。经实验验证，其在视频生成和预测上性能出色。

当下视觉生成中，开源模型在逻辑推理生成任务上频频翻车，与闭源模型有差距。浙大与阿里团队提出Unified Thinker，将思考与执行解耦，构建数据集、采用创新算法，实验显示其有效提升逻辑执行准确度。

天下苦机器人看不清透明和反光物体久矣，问题出在深度相机。蚂蚁集团具身智能公司蚂蚁灵波开源深度视觉模型LingBot - Depth，无需换硬件，用创新算法和大量数据提升性能，还将开源数据集。

全球人工智能顶会AAAI揭晓年度奖项，Yoshua Bengio 2011年论文获经典论文奖。今年5篇杰出论文研究方向指向AI从炫技走向应用，如ReconVLA改进VLA视觉感知，CADYT解决连续时间因果结构学习空白等。

智谱AI发布ComputerRL自主桌面智能框架，旨在让AI像人一样用电脑。它融合API与GUI，采用分布式训练，引入Entropulse解决探索衰减。在OSWorld测试中表现亮眼，虽有视觉感知等挑战，但意义重大。

Claude Code创始人用多Claude并行开发，作者受启发做了Agentfile。它能将项目文件夹变为标签页，便于切换，从Wave改进而来，轻量且适合承接HTML结果，是Skill驱动的Agent，定位为多Agent工作流收口台。

贝陪科技创始人黄缨宁分享打造儿童AI陪伴产品「可豆陪陪」的经验。产品让AI少说话，激发孩子表达欲，上线150天后留存率达51%。黄缨宁认为AI陪伴要营造成长环境，还介绍产品定位、使用场景、设计思路等。

在多模态大模型加持下，纯视觉GUI智能体成通用操作智能体重要方向，但面临元素与历史上下文问题。哈工深和华为提出SimpAgent，从上下文简化建模入手，实现更快更强性能，工作被ICCV 2025录用。

作者分享“人生金句炼金术师”提示词，用其将平凡瞬间转化为哲理金句，如“想减肥没开始”“等红绿灯”等场景。给出不同风格卡片提示词，实测Gemini 2.5 Pro效果更好，还介绍了动态视觉图谱提示词。

清华、腾讯、斯坦福等团队发布RBench - V基准测试，评估大模型视觉推理能力。结果显示，主流大模型如o3、Gemini2.5等准确率远低于人类，开源模型表现更差，暴露出大模型在复杂多模态推理任务中能力不足。