「纯视觉驱动」共找到 1316 篇相关文章
让Skill“有图可依”：openJiuwen首发多模态Skill范式Skill-Omni
openJiuwen社区发布业界最早工程化落地的多模态Skill范式Skill-Omni，让Agent经验从‘读得懂’升级为‘看得见’。它能将网页和视频视觉知识沉淀为多模态Skill，还介绍了生成及读取方式和适用任务。
19K star 霸榜，下一代的浏览器自动化神器！
做爬虫或Web自动化测试常因网页结构变动需重写脚本。Github上超火的Skyvern项目是基于浏览器的自动化代理，不依赖XPath或CSS选择器，用视觉识别结合大模型推理完成任务，已获19k+ star。
ChatGPT推出即时结账，比Claude发布重要得多
OpenAI宣布在ChatGPT推出即时结账功能，用户可在聊天界面直接购买，首批合作商家有Etsy，Shopify超百万商家将加入。由ACP驱动，是开源标准。资本市场反应好，社区反应不一，这标志AI助手向交易平台转变。
7B打败o3、GPT-5！医学AI智能体让模型学会“看哪里、怎么看”
上海创智学院LeapQuest团队联合多校，在ICML 2026接收两篇论文，提出“Think with Images/Think with Videos”范式，让视觉证据参与模型推理，Ophiuchus和MedScope分别用于图像和视频诊断，表现出色。
打破碎片化瓶颈！浙大&哈佛开源UniGeo，高保真相机可控编辑
当前主流相机可控图像编辑基于图像扩散模型，应对连续相机运动易出现问题。近日，浙大联合哈佛发布UniGeo框架，在三核心层面注入统一几何引导，克服结构退化，提升视觉质量与跨视角一致性。
如何让AI“看懂”网页？拆解 Browser-Use 的三大核心技术模块
传统Browser - Use难应对界面变化，大模型驱动下正迈向智能化。文章拆解其三大核心技术模块，介绍历史发展、核心功能，分析源码各模块，指出创新点与不足，还提及业界更好解决方案。
告别「面瘫」配音，InfiniteTalk开启从口型同步到全身表达新范式
传统video dubbing技术有局限，新兴模型也有问题。美团视觉智能部研发的InfiniteTalk引入‘稀疏帧video dubbing’，实现口型、表情、肢体与音频自然对齐，解决长视频生成难题，技术已开源。
动动嘴写SQL！Codex+终身记忆，OpenAI把查询难度直接归零
2026年初，OpenAI曝光数据分析智能体，将数据查询从「天数级」缩至「分钟级」。它用Codex驱动，有六层上下文架构，能补齐数据语义、沉淀经验记忆，让工程师提问取代手动查表。
AI出码率70%+的背后：高德团队如何实现AI研发效率的量化与优化
文章围绕建立统一数据采集和指标体系，搭建AI统一数据采集能力，定义AI出码率等核心指标，构建AI效率研发指标体系，还介绍了数据采集方案、指标计算等，实现数据驱动闭环。
B站爆了！Hermes首度直播回应「抄袭」，MiniMax提前杀入Harness赛点
Hermes Agent业务负责人回应抄袭质疑，技术对谈探讨AI竞争新维度。MiniMax动作密集，构建“Model + Harness”双向飞轮，其模型获海外开源圈认可，产品驱动模型优化，还与云厂商合作解决沙箱问题。