「视觉注意力机制」共找到 1561 篇相关文章
GPT-5.4据传下周上线！200万上下文窗口+持久化状态，告别频繁遗忘
OpenAI工程师在GitHub仓库意外泄露GPT - 5.4，相关信息流传后被撤回。据传下周上线，其有200万Tokens上下文窗口与持久记忆，支持全分辨率视觉直读，将引发硬件内存之战。
Token消耗暴降80%，Cloudflare让服务器原生支持Markdown：OpenClaw要笑醒了
Cloudflare发布Markdown for Agents功能，让Web服务器可向AI Agent投喂Markdown数据，抛弃臃肿HTML，Token消耗降80%，还引入内容信号机制，有手动挡工具，功能处Beta阶段，可免费启用。
ICLR史无前例！中国团队站上C位，全球AI顶会首次为它设专场
ICLR宣布由阿里妈妈牵头的「AI for Mechanism Design and Strategic Decision Making」专题研讨会通过评审，这是其首次设聚焦「机制设计与决策智能」的Workshop，众多大咖参与，连接学术与工业。
Vibe Coding 继续：这次，AI Studio 让你可以“画着改UI”
谷歌在AI Studio中引入注释模式，可乱涂乱画用注释命令修改，能更自然地更改应用，与Gemini进行直观视觉对话，还提到Cursor等IDE中类似功能实现方式。
松下发布多模态大模型，文本、图像、音频随意切换
多模态数据处理成热点，但现有模型处理复杂任务有挑战。松下开发多模态大模型OmniFlow，采用模块化设计、多模态引导机制，实验显示其在多任务中有卓越表现。
视频生成比播放还快：开源VDN-H3，14秒视频11秒搞定
近期，网络出现“无限流”视频，源于MiniMax H3。OpenVDN团队开源Video Delta Net（VDN），基于MiniMax H3使视频生成速度提升75到90倍，14.4秒的768p视频11.23秒就能生成。它采用混合思路，性能提升显著。
ICLR 2026｜多模态大模型真的理解情绪吗？MME-Emotion给出了系统答案
多模态大模型迅速发展，但能否理解人类情绪存疑，且缺乏系统性评测框架。香港中文大学和阿里通义实验室团队提出 MME - Emotion 评测基准，评测 20 个主流模型，发现模型情感智能不足，为后续研究提供参考。
独家丨MiniMax 高级研究总监钟怡然已于半年前离职
AI 科技评论独家获悉，MiniMax 高级研究总监钟怡然已离职，去向未公开。他曾主导设计 MiniMax - 01，该模型在超长上下文处理能力上表现突出，走出独特架构创新与效率优化路径。
Vercel 开源 json-render！短短 4 天狂揽 7500 Star，这才是 AI 生成 UI 的终极解法！
Vercel 开源的 json - render 4 天获 7500 Star，解决生成式 UI 不可控问题。采用‘AI → JSON → UI’公式，结合‘约束’与‘流式’机制，还有反向生成源码功能，介绍了快速入手办法与适用场景。
字节开源多模态复杂文档解析模型！Dolphin：页面与元素并行解析，精准解析复杂文档！
多模态AI与文档解析兴起，传统OCR解析复杂文档常出错。字节跳动开源多模态模型Dolphin，通过两阶段机制精准解析，有多种功能，安装使用友好，适用于多场景，降低了复杂文档解析门槛。