「视觉定位」共找到 936 篇相关文章
真正的一句话修图：Gemini 用香蕉模型给出了图像生成的分水岭
Google新模型Gemini 2.5 Flash Image可在AI Studio体验。它有多图融合、角色一致性等能力，能实现自然语言编辑图像，速度快、价格低、API可用，虽有中文体验等问题，但有望让AI视觉工具进入工程化时代。
豆包悄悄上线的这个新功能，也能用眼睛推理全世界了。
作者分享豆包新上线的视觉推理功能，在PC和手机场景使用体验良好。通过ChinaJoy图片、德爷相关图片、表情包等实例展示其推理能力，虽有软肋但很实用，还免费，体现出与其他工具的差距。
AI秒懂短视频，快手大模型Keye-VL理解力爆表！技术细节全开源
快手全新多模态大语言模型Kwai Keye-VL上线且开源，能深度融合多模态信息，在视频理解、复杂视觉感知和逻辑推理上表现优异。介绍了其技术架构、预训练和后训练策略及训练架构优化等内容。
沉迷贪吃蛇，7B小模型竟变身「数学天才」！几何推理碾压GPT-4o
NVIDIA等团队提出视觉游戏学习ViGaL范式，让7B多模态模型玩贪吃蛇等游戏，使其在数学、几何等任务击败GPT - 4o。游戏培养通用认知与推理能力，不同游戏提升不同推理能力，多游戏训练效果更佳。
AI办公斩杀线，一页文档多少钱
腾讯混元Hy4 preview正式发布并开源，参数770B，是开源阵营里参数最大的Apache 2.0模型。它能处理长文本，官方定位有软件工程、办公分析等四个方向。还分析了处理一页文档的成本，指出办公AI下半场重在‘读懂’。
20亿砸向00后创业机器人公司！估值一年暴涨7倍，国家级资本重仓
近日，灵初智能完成约20亿元天使轮及Pre - A轮融资，资金将用于物流场景落地与数据采集体系建设。其团队互补，突围逻辑是All in人类原生数据，自研采集方案，走“模型驱动数据”路径，定位“大脑驱动公司”。
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。
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。
7.5K Star！HKUDS开源AI全栈开发框架，产品经理的Demo神器！
AI时代从论文到产品Demo开发全链路工作耗时费力，现有Agent也有诸多问题。香港大学数据科学实验室（HKUDS）开发的DeepCode开源框架，定位“全自动AI软件开发框架”，可一键从论文/需求生成完整项目，已获7.5K Star。
比起让大模型写 100 万字的小说，AI 大牛们更想用 AI 拿诺贝尔奖
OpenAI前CPO Kevin Weil创业，新公司定位是“为AI模型收集科学数据”的平台，估值达7.5亿美元。AI4S赛道成为硅谷离职AI高管热门去向，正从概念叙事进入基础设施建设阶段，包括数据、模型、应用层。