「视觉交互」共找到 1237 篇相关文章
6款小游戏难倒所有顶级VLM！愤怒的小鸟让它们全军覆没，性能不如随机猜测
淘天集团未来生活实验室提出首个系统性评估多模态大模型（VLM）交互式物理推理能力的综合基准DeepPHY。它集成六个物理环境，对17个主流VLM测试，揭示其在物理交互等方面短板。
具身智能体主动迎战对抗攻击，清华团队提出主动防御框架
面对对抗攻击，现有防御方法多为‘被动防守’，遇上未知或自适应攻击时效果衰减。清华朱军团队在TPMAI 2025中提出主动防御框架REIN-EAD，通过与环境交互实现‘感知—决策—行动’一体化，实验效果佳。
山姆•奥特曼：ChatGPT 用户有三层代沟
OpenAI的CEO山姆•奥特曼在红杉闭门演讲中透露，不同年龄层使用ChatGPT方式不同，老年人当谷歌替代品，二三十岁的人当生活顾问，大学生当操作系统，这反映了AI与人类交互模式的转变。
将文章、故事变成漫画脚本提示词参考
文章给出将文章、故事变成漫画脚本的提示词参考，包含生成脚本和画图示例对话，从视觉风格、封面设计、布局、叙事结构、对话与文字设计等方面提出详细要求，为漫画脚本创作提供指引。
一个模型读懂所有医学数据，Hulu-Med探索医学大模型开源新范式 | 浙大x上交xUIUC
Hulu - Med是浙大、上交、UIUC等联合提出的通用医学视觉语言大模型，首次在单一模型统一理解医学多类数据。它开源透明，训练成本低，性能媲美GPT - 4.1，为医学AI带来新范式。
长得这么“乖”的人形机器人，第一次见
北京朝阳，傅利叶发布全尺寸人形机器人Care-bot GR-3，外观采用莫兰迪暖调配色等设计，有亲和力。它配备全感交互系统，能实现多种拟人行走姿态，未来将拓展至辅助陪护场景。
AI落地的另一种可能性
Sam Altman用APP解决AI落地问题，如将ChatGPT打造成“超级APP”，但此模式有交互形态受限、生态割裂的缺点。作者认为这是权宜之计，并设想把AI作为“通用智能层”嵌入各行业软件，Anthropic有此可能。
DeepSeek开源的不仅仅是个新OCR模型。。。
DeepSeek开源3B参数的新OCR模型，重新思考AI处理长文本方式，用视觉token压缩文本信息。核心组件有DeepEncoder和DeepSeek3B - MoE解码器，实验效果好，成本降低，还解决了一些算法和工程问题。
救命！ Canvas？3.1k Star Mind Elixir ，真丝滑！！！！
Mind Elixir是可嵌入的JavaScript脑图内核，零依赖、框架无关。它能将JSON数据变成可交互节点，有拖拽、编辑等功能。适合知识库等场景，不适合只需不可编辑宣传图等场景。
多模态推理最高加速3.2倍！华为诺亚新算法入选NeurIPS 2025
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。