「视觉理解」共找到 1324 篇相关文章
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。
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。
Claude Design暴击设计行业！Figma、Adobe市值闪崩
Anthropic Labs推出AI原生视觉设计协作平台Claude Design，由Claude Opus 4.7驱动，向Adobe等设计软件巨头发起挑战。它有三大杀手级功能，能大幅提高设计效率，引发资本市场震动。
AI翻译的「最后一公里」
文章指出文化差异成AI翻译难题，通用大模型数据不平衡，存在“算法霸权”。如处理低资源语言，AI易产生幻觉，还因无肉身难理解基于生理体验的隐喻，人机协作才是翻译未来。
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。