「视觉理解」共找到 1300 篇相关文章
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。
首篇全新情景认知视角的大模型Agent综述
中科大的这篇Survey从全新情景认知视角对大模型Agent进行综述，给出Agent本质，介绍Agentic AI定义、大模型五层演化理论等，还以OpenClaw为例说明，旨在提供理解框架与未来方向。
刷榜自动驾驶语义场景补全！北大新作：高维度、高密度 | AAAI'26
北京大学彭宇新教授团队提出视觉语义场景补全方法HD² - SSC，通过高维度语义解耦和高密度占用优化，解决现有技术维度与密度差异问题，在两自动驾驶数据集上取得最优性能。
马斯克的Neuralink梦想成真？意识连续谱理论震惊科学界！
美国发育生物学家Michael Levin探讨意识与自我组装关系，强调意识是连续谱系。他从生物自我组装过程、意识与身份特性等多方面阐述，还呼吁用开放视角理解意识本质，并提出研究方向。
VLA模型为何忽视语言？破解指令跟随幻觉，分布外场景泛化新突破
当前VLA模型常依赖视觉线索而非语言指令，导致新场景表现不佳。论文提出LangForce方法，引入对数似然比损失，强化模型对语言的依赖，提升分布外泛化能力，还保留语言核心功能。
AI版Chrome终于来了
Google正式推出Gemini in Chrome功能，将Gemini整合进Chrome浏览器。Chrome从‘内容展示器’变为‘内容理解器’，有多标签页处理等功能，提升效率，还推动浏览器形态演进，未来或能替用户操作。
首次！世界模型、动作模型融合，全自回归模型WorldVLA来了
阿里巴巴达摩院提出全自回归模型 WorldVLA，首次融合世界模型与动作模型，统一文本、图片、动作理解和生成。它用独立编码器处理多模态数据，还提出策略解决误差累积问题，实验表现优异。
让AI学着“看菜下碟”！港中大等新框架让推理长度减少90%，准确率反增17%
香港中文大学等研究者提出TON选择性推理框架，使视觉语言模型能自主判断是否推理。该框架有两阶段训练机制，实验显示其让推理长度最多减90%，准确率还提升，有益模型部署。
深入原子世界，他在寻找材料失效的原因
文章介绍了美国宾夕法尼亚州立大学副教授杨洋的材料研究。他利用先进电子显微技术，研究材料在极端环境下微观过程，如空位、虫洞腐蚀和短程有序，旨在理解材料失效机制，推动材料设计优化。
从0到1带你速通 Marvis马维斯
AI 时代，Agent 产品虽强但普通用户使用门槛高。本文详细介绍腾讯 Marvis，它能让 AI 直接理解电脑，可执行多项任务。作者实测 6 个任务展示其功能，认为它是面向普通用户的系统级 AI 管家。