「主动视觉」共找到 826 篇相关文章
阿里首个世界模型：快乐…生蚝
刚成立一个月的阿里ATH事业群发布全球首个主动式实时交互世界模型HappyOyster（快乐生蚝），它搭载原生多模态架构，有漫游、导演、创造、分享等玩法，目前需邀请码体验。其技术突破让它区别于传统文生视频模型。
Agent 的第一性问题：Proactive 与 Context 经济学
过去一年AI Agent能力提升，但用户体感未同步变好，原因在于人类注意力窗口有限。赛道分化，主动式桌面Agent是新方向，AirJelly是代表产品，五源资本对其创始人黄柏特进行访谈，探讨产品设计、应用场景等问题。
DeepSeek识图模式是个新模型？！一手实测在此（没错我被灰度到了）
作者喜提DeepSeek识图模式灰度测试，实测发现其非思考模式速度快，推理有幻觉；思考模式推理慢且冗长。实用功能如OCR、复原HTML较靠谱，但色盲测试偶翻车。该模式或用独立视觉模型，且多模态进展超预期。
工作场景AI化，一个月花100美元订阅AI工具值吗？
InfoQ《极客有约》X AICon 直播栏目邀请来也科技胡一川等探讨 AI 时代「10x 个体」与「10x 组织」。指出「10x 个体」核心是主动思考、善用工具，组织应从「固态」向「液态」转型，还分享了 AI 工具使用与落地经验。
就在刚刚，ChatGPT发布了一个新功能Pulse
北京时间凌晨，山姆·奥特曼宣布 OpenAI 为 Pro 用户上线 ChatGPT Pulse 预览版，后续会扩展到 Plus 用户及所有人。Pulse 核心是主动推送个性化更新，能结合多信息生成内容，但需用户开放大量个人数据，隐私问题值得关注。
人格向量：大模型性格的数学解码与精准操控
大语言模型在应用中会出现危险行为偏移与训练引发的非预期偏移，传统方法难监控干预。本文发现人格特质在线性方向表现为“角色向量”，实现提前预测、实时监控和主动控制，为AI安全提供数学框架。
小模型，大能量！200美金的GPT Pro竟然输给了它？
博主用11个场景深度测试昆仑万维的Skywork R1V4 - Lite，它能做到Gemini 2.5 Pro才能干的事，速度快、成本低。在定位、人物识别、生活实用、专业鉴定、学术研究等场景表现出色，核心突破在于主动图像操作与深度推理。
【DeepSeek-OCR系列第一篇】Language Modelling with Pixels【ICLR23】
当前主流语言模型依赖固定词表，扩展到多语言、多脚本时面临覆盖受限、计算昂贵、鲁棒性差等问题。ICLR 2023论文提出不依赖词表的PIXEL模型，通过将文本变成图像用视觉Transformer理解，实验验证其有跨语言、抗噪声等优势。
刚刚，GPT-5.2满分屠榜，OpenAI十周年王者归来
OpenAI 十周年推出 GPT - 5.2 系列模型，包括 Instant、Thinking 和 Pro 版本。它在多方面表现出色，刷新多项基准测试 SOTA 水平，如 AIME 2025 获满分，在 GDPval 达人类专家水平。还在编码、视觉理解等能力上有显著提升。
WAIC现场最“聪明”展台！AI眼睛耳朵能力全打开了
WAIC现场，声网展台被观众挤爆，其新奇“AI玩具”都能与玩家流畅对话。声网对话式AI引擎全新升级，新增选择性注意力锁定、视觉理解能力，能与主流数字人方案集成，还可接入大模型，价格低。它已在多领域落地。