「图像输入」共找到 670 篇相关文章
只看图片就能学会压缩Token！浙大&阿里新框架多轮VQA压缩率90%，精度不掉｜CVPR 2026
多轮视觉问答成LVLM推理效率“照妖镜”，现有压缩方法在多轮场景翻车。浙大宋明黎教授团队与阿里联合提出MetaCompress框架，可根据图像生成最优压缩映射，实验验证其效果优，能平衡压缩率与精度。
两小时激辩：黄仁勋为什么不怕 TPU、不怕华为、不怕出口管制？
黄仁勋接受长达两小时专访，谈及Nvidia使命、经营哲学等多方面。他认为能源政策制约未来，CUDA优势在于生态等，还谈了对TPU、出口管制等看法，不过其观点存在矛盾待检验。
港大赵恒爽团队论文：让扩散模型既拿高分又不「作弊」丨CVPR 2026
扩散模型虽能生成逼真图像，但存在“奖励作弊”问题。港大赵恒爽团队提出 GDRO 后训练方法，引入组级奖励优化机制，提升模型表现、缓解作弊，还提高训练效率，有明显工程价值。
治好多模态近视和走神！上海大学去偏干预显著提升模型性能
多模态大模型存在“近视”和“走神”问题，总是过度关注图像底部而忽略核心内容。上海大学与南开大学研究团队用两条数学公式去偏干预，无需增加计算成本，却能显著提升主流模型视觉理解能力。
老黄挤爆牙膏！DLSS 4.5狂飙6倍，RTX 50系直接封神
2026年CES大会上，英伟达发布DLSS 4.5提升画质与帧生成，RTX Remix助力经典游戏重生，还将NPC变智能伙伴。同时，其软件升级利好AI PC，提升性能、减少显存消耗，让它更接近日常使用。
实测夸克「千问划词快捷指令」，这7个邪修Prompt，建议收藏
新年 DeepSeek 发布技术论文，网友难理解便求助 AI。夸克 AI 浏览器更新，‘千问划词’支持自定义快捷指令，实测精选 7 类实用指令，还介绍了操作方法，且其功能不断进化。
从大模型到多模态，图文混排Agent彻底起飞~
上周智谱多模态开源周，从GLM 4.6v到Autoglm，其图文并排使用场景很吸睛。上传PDF论文，它能生成图文混排解读文章，效果好。作者逆向原理复刻代码，还分享GLM 4.6V三个有意思的能力。
一键秒懂GitHub仓库，开发者必备！
面对陌生的GitHub项目，直接把代码扔给AI效果不佳。而`Gitingest`这款开源工具，能将Git仓库转化为适合LLM处理的文本摘要，适配各类AI助手输入需求，使用方式灵活，在GitHub上很受欢迎。
从 LLM 到 World Model：为什么我们需要能理解并操作世界的空间智能？
文章指出 LLM 仅靠语言不足以支撑真正智能，构建空间智能与世界模型成关键方向。2024 年李飞飞等创立 World Labs，11 月推出 3D 世界生成模型 Marble，本文探讨空间智能重要性及世界模型如何成转变基础设施。
把 Nano Banana/Gemini 3 Pro 榨干！这几点你必须知道
Gemini 3 放出 Pro 和 Nano Banana Pro 两条线，前者主打长上下文、多模态推理，后者专攻像素级生成。文章提炼精髓，给出“通用 + 像素”双模实战笔记，介绍两者使用要点及创意场景实测。