「视觉理解」共找到 1300 篇相关文章
刚刚，DeepSeek全新多模态技术开源！
DeepSeek联合北大、清华开源多模态技术及论文，提出“视觉基元推理”框架，解决MLLM指代鸿沟问题。基于DeepSeek - V4 - Flash构建的模型，性能比肩GPT - 5.4等。论文还介绍架构、训练流程等。
让AI像人类画家一样边画边想，港中文&美团让模型「走一步看一步」
在文生图和视频生成领域，现有模型处理复杂任务常出错。港中文和美团团队提出TwiG范式，将视觉生成拆解为“生成-思考-再生成”循环，经实验验证有效，有望拓展到更多领域。
Github 1.8k star Skyvern：AI直接接管鼠标键盘，3行API干掉你写了3年的脆弱XPath脚本！
Skyvern是开源AI浏览器代理，结合LLM和计算机视觉，自动执行浏览器业务流程。它用简单API复刻人工操作，替代传统脚本，解决脚本脆弱、流程复杂等痛点，功能丰富，技术优势明显，适合多业务场景。
自动化浏览器
Skyvern是能自动化浏览器操作的工具，底层靠大语言模型和计算机视觉。它提供简单API接口，可在大量网站自动化手动操作，替代易出错的自动化方案。介绍了其原理、使用方法、功能等。
「香蕉革命」首揭秘！谷歌疯狂工程师死磕文字渲染，竟意外炼出最强模型
谷歌最新图像模型nano banana横空出世，能融合图片、理解地理等结构，实现多轮创作。它凭借Gemini知识与交错生成技术，重塑AI图像生成边界。谷歌团队揭秘其技术，还谈及未来发展方向。
纯靠“脑补”图像，大模型推理准确率狂飙80%丨剑桥谷歌新研究
剑桥、伦敦大学学院和谷歌团队推出基于强化学习的视觉规划（VPRL）新范式，纯靠图像推理。新框架利用GRPO后训练，准确率达80%，超文本推理至少40%，代码已开源。
Claude Opus 4.7 发布！留给人类的时间，不多了
Anthropic 发布 Claude Opus 4.7，核心升级是让 AI 跑长且复杂任务，还能自我验证结果。它视觉能力超强，编程能力提升，新增 /ultrareview 功能，API 多了调节档，不过 token 数量或增加，成本可能上浮。
刚刚，DeepSeek开源OCR 2，首创Qwen编码的「双流架构」
年底 DeepSeek 开源新模型 DeepSeek - OCR 2，首创双流注意力架构，model&paper 一同发布。它重构视觉编码器，采用三阶段训练流程，在 OmniDocBench v1.5 评测及生产环境验证中表现良好。
深度拆解，硬核解构，揭开vLLM推理系统实现高效吞吐的秘籍
文章深度拆解 vLLM 推理系统，介绍其核心组件和高级特性，包括推理引擎流程、调度机制、高级功能等，还提及系统扩展、分布式部署、性能测量等内容，助力读者理解推理引擎工作原理。
Meta开源首个320亿参数代码世界模型CWM
Meta FAIR发布320亿参数的研究模型Code World Model (CWM)，用“世界模拟”方式处理代码，试图真正“理解”代码逻辑。它在Math - 500数据集测试成绩亮眼，模型权重开放，可多渠道下载。