「纯视觉驱动」共找到 1338 篇相关文章
绝美无痕，比你还会P图的Agent！仅通过自然语言指令，灵活使用数百工具，超越GPT-4o达60%
JarvisArt提出多模态大模型驱动的智能Agent，通过理解自然语言指令，协调200+个Lightroom工具，实现媲美专业修图师的非破坏性编辑。其内容保真度超越GPT - 4o达60%，为AI艺术创作开辟新路径。
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。
夯，还真的很不错，8.2k Star scroll-world，太丝滑～～～～
许多官网滚动特效不佳，scroll - world 让滚动驱动无切镜的品牌旅程。它通过生成镜头链、对齐接缝实现沉浸体验，还给出适用场景和接入方式，虽非零成本但复用了经验。
多智能体大语言模型中的人类自适应协作
尽管大语言模型有进展，但纯自治多智能体系统有局限。为此提出 HILA 框架及双环策略优化机制，结合 DLPO 的 HILA 在基准测试中表现出色，为构建 Agentic 系统提供指导。
太魔幻了！刚刚OpenAI发布GPT Image 1.5：Nano Banana Pro 王座不保
OpenAI发布由GPT Image 1.5驱动的新版ChatGPT Images。新模型核心升级体现在精准修图、指令遵循能力强、生成速度提升4倍。还推出Images主页，API上线且价格降20%，适合企业。
一杯拿铁3毛8，Gemini 3.1联手GPT-5.5干黄咖啡馆！2个月烧光21万
Gemini 3.1 Pro驱动的AI店长Mona掌管咖啡馆，对顾客请求来者不拒，疯狂采购，致两个月亏3万美元。换GPT - 5.5后走向另一极端，虽有账面利润但生意做死，AI开店仍有问题。
北大卢宗青团队新作：超 70% 实机成功率，支持语言指令的功能性抓取系统
现有抓取研究多在稳定性层面，而功能性抓取更接近真实世界的智能。北大卢宗青团队提出DemoFunGrasp方法，对功能性抓取重新建模，在仿真与真实场景均超70%成功率，还引入视觉语言模型让机器人理解语言指令。
Opus5.5代码直出视频刷屏！审美暴打GPT
本文报道Claude Opus 5.5突袭上线后，网友大量实测，用它纯代码生成视频、3D建模、UI、可交互游戏等内容，该模型性能提升价格下降，表现优于GPT等竞品，引发科技圈刷屏热议。
OpenAI十周年「血色浪漫」：11位联创出走8位，奥特曼深夜发文
OpenAI迎来十周年，发布短片回顾发展。过去11位联创出走8位，奥特曼发文揭秘细节，称吃到时代红利。新晋女高管分享炼成秘诀，如研究驱动产品、自下而上创新、重视安全等。
独家对话Sharpa核心团队：如何把人类的“触觉”装进机器人的身体｜甲子光年
甲子光年对话Sharpa核心团队，该团队定位是以触觉AI驱动的全栈灵巧机器人公司。团队认为触觉是机器人灵巧操作关键，介绍CraftNet创新，还提及与英伟达合作及公司运营、商业计划等。