「通用视觉感知系统」共找到 1584 篇相关文章
中山大学梁小丹团队论文：让视频生成从「看起来真实」到「物理上正确」丨CVPR 2026
中山大学梁小丹团队提出《ProPhy: Progressive Physical Alignment for Dynamic World Simulation》，通过分层建模和逐步对齐，引入视觉语言模型作监督，解决视频生成模型物理建模问题，提升物理正确性和视频质量。
GPT-4o-Image仅完成28.9%任务！上海AI实验室等发布图像编辑新基准，360道人类专家严选难题
上海人工智能实验室等团队针对图像编辑AI提出问题，推出RISE任务及配套评测基准RISEBench。测试九个视觉编辑模型，结果显示当前模型完成复杂指令能力欠缺，闭源与开源差距大。
Cloudflare 推出 Meerkat，实现全球强一致性协调
Cloudflare推出基于QuePaxa共识算法的Meerkat服务，可无领导者写入并保持强一致性，提升网络可用性。虽有往返通信代价且非通用数据系统，但优化对强一致性系统重要，还未投入生产。
AI的七窍打通了！谷歌发布Gemini Embedding 2原生多模态嵌入模型
谷歌发布Gemini Embedding 2新型基础架构，将文字、图像等数据整合到统一维度，终结旧工作流。该系统赋予机器五维感知，建立跨媒介沟通语言，提升运行效率，在多场景有应用潜力。
扩散语言模型九倍推理加速！上海交大：KV Cache并非自回归模型的专属技巧
上海交通大学EPIC Lab团队提出免训练推理缓存机制dLLM - Cache，复用特征降低计算量。它即插即用，通用于主流dLLM架构，在多个基准测试中实现数倍推理加速，且不降低生成质量。
新晋顶流Agent颠覆设计师！Lovart一手实测来了：是该刷屏爆火
新晋顶流Agent Lovart火爆全网，可一句话搞定专业视觉设计，支持二次编辑。量子位实测其设计能力强，背后是多模型融合调度。它定位人机协作，适合中小企业，官网可申请内测。
AI 浏览器压根不可能成为新的操作系统
近期AI浏览器成大模型主战场，营销中模糊Browser和OS边界。文章指出‘AI Browser = OS’不成立，分析原因，还提出定义为Agent操作层更合适，未来或走向能力优先、标准互通的‘通用容器’模式。
DeepSeek又又又又发新论文了！这一次，他们重构了AI看图的方式
DeepSeek发布论文DeepSeek - OCR 2，指出传统AI看图方式有误，提出视觉因果流概念。其两阶段级联推理解法效果显著，还可能整合进即将发布的DeepSeek V4，有望实现原生多模态。
你奶奶也能看懂：DeepSeek-OCR的秘密。
本文介绍DeepSeek-OCR，它并非普通OCR工具，而是用“上下文光学压缩”将大量文本信息转为少量视觉Token。其架构含编码器和解码器，压缩效果惊人，重新定义AI“记忆”，或改变AI认知方式。
这款OCR神器绝了，PDF、表格、手写体通吃，20+文档支持，9.4K Star！
开源君在Github发现开源OCR工具Zerox，由Omni - AI团队开发，利用AI视觉模型“阅读”文档，将多种格式文档转Markdown。它功能强大，处理复杂文档优势明显，在Github获9.4K Star。