「视觉引导」共找到 729 篇相关文章
DeepSeek-OCR是「长文本理解」未来方向？中科院新基准VTCBench给出答案
DeepSeek - OCR的VTC技术可实现高压缩率，降低长文本处理成本。但视觉语言模型能否理解压缩信息存疑，中科院等推出VTCBench评估，测试模型认知极限，还推出VTCBench - Wild检测鲁棒性。
Meta 系 95 后华人明星团队，创业一年就与高通达成合作，让手机拥有多模态记忆
由华人创业者沈俊潇创办的 Memories.ai 发布 LVMM 2.0 并宣布与高通合作，该模型 2026 年将在高通处理器上原生运行。它解决视频可搜索性问题，应用广泛，能降低延迟、确保数据安全等。
Midscene.js 实战与源码剖析：如何重塑 UI 自动化
本文介绍Midscene.js这款基于AI的下一代UI自动化工具，剖析其设计动机、架构、原理及源码，结合业务场景分享问题与思考，还对比类似工具，给出试用配置和使用建议。
轻量高效，即插即用：Video-RAG为长视频理解带来新范式
现有视觉语言模型处理长视频面临诸多难题，厦门大学等联合提出轻量高效、无需微调的 Video-RAG 框架，采用多模态辅助文本检索增强生成，解决长视频理解问题，适用于多场景。
刚刚，Figure 03惊天登场！四年狂造10万台，人类保姆集体失业
通用机器人曙光来临，Figure 03正式亮相，专为Helix「大脑」打造，手掌心有摄像头，指尖能感知3克力。其进化亮点多，未来四年将量产十万台，适用于家庭和商用场景。
InfiniteTalk：音频驱动的从口型到全身动作同步方法
近年来视频AIGC推动音频驱动人体动画变革，但传统视频配音局限口部。中国科学院大学提出稀疏帧视频配音范式，推出InfiniteTalk生成器，结合多种技术实现全身动作与音频同步，实验表现突出。
2025 WAIC落幕，深谋科技异军突起，以技术与落地破局具身智能赛道
2025 WAIC落幕，深谋科技作为精英合作伙伴首次亮相，未随波逐流，而是切入脑控、动态视觉伺服和康养场景三大底层能力领域，开拓创新赛道。其产品已商用部署，吸引众多媒体关注。
论文秒变海报！开源框架PosterAgent一键生成顶会级学术Poster
本文介绍开源框架PosterAgent，它能一键将论文转为可编辑的学术海报。相比GPT - 4o，其生成指标优、token使用量少、成本低。研究团队构建评估标准Paper2Poster，实验显示PosterAgent在多方面表现出色。
震撼全网，AlphaEvolve矩阵乘法突破被证明为真！开发者用代码证实
开发者用Claude写代码证实谷歌DeepMind的AlphaEvolve求解矩阵乘法的突破为真，它将4×4复数矩阵计算次数从49次减到48次。小哥测试代码各项指标与论文报告一致，还上传到GitHub。
Gemini 2.5 Pro登顶三冠王！AI最强编程屠榜，全面碾压Claude 3.7
谷歌Gemini 2.5 Pro（I/O版）横空出世，登顶LMAreana获文本、视觉、编码三连冠，编程能力碾压Claude 3.7。开发者可通过Google AI Studio等使用，其应用演示展现强大实力。