「开源视觉模型」共找到 9135 篇相关文章
OVI：统一的音视频生成模型，声音与画面同步诞生
音视频生成领域以往多阶段架构易致音画不同步等问题。耶鲁大学团队提出 OVI 统一范式，采用双塔 DiT 架构与分块式跨模态融合机制，实现音画同步生成，不过目前有计算开销大、音频有局限等问题。
大模型破译甲骨文创下新SOTA！复旦团队推出新框架
复旦大学团队提出基于部首和象形分析的可解释甲骨文破译框架，构建PD - OBS数据集。该框架在公开基准数据集上准确率高，零样本破译能力强，能输出可解释分析文本，助力考古破译。
大模型破译甲骨文创下新SOTA！复旦团队推出新框架
复旦大学团队提出基于部首和象形分析的可解释甲骨文破译框架，构建PD - OBS数据集。该框架在公开基准数据集上准确率高，零样本破译能力强，还能为未破译甲骨文输出可解释分析文本，助力考古工作。
我只推荐这5个！24个开源Agent/Workflow框架大比拼！
文章围绕《A Survey on Agent Workflow》展开，介绍了Agent Workflow概念、与Multi - Agent差异、核心组成及Agent角色。对24个主流框架进行对比，还给出不同场景下的框架选择建议，指出当前框架缺乏统一标准。
ScreenCoder：视觉-代码对齐新范式，为多模态程序合成开辟道路
前端开发中UI转代码耗时易错，现有工具存在不足。ScreenCoder提出模块化多智能体框架，通过三阶段分工协作实现代码生成，还构建数据引擎推动VLMs进化，实验表现出色，为多模态程序合成开辟道路。
上下文工程（Context Engineering）综述：大模型的下一个前沿
文章提出“上下文工程”学科，通过整合1400余篇论文构建“基础组件 - 系统实现”框架。它将上下文定义为动态结构化信息集合，揭示LLMs理解强于生成的矛盾，为AI研究指明方向。
为什么Cloudflare无法阻止Google为AI 模型爬取网站数据？
Cloudflare推出阻止AI爬虫抓数据功能，却对Google无效。因Googlebot身兼两职，Cloudflare难区分其请求目的。出版商流量因Google AI功能下降，网站主在被剥削和失去流量间两难。
Karpathy最新分享！给大模型做好“服务”将是巨大机会
近日，Karpathy在AI Startup School演讲，提出AI正从根本改变软件。他将软件分三个时代，认为LLM是全新操作系统，还指出其特长与局限，点明AI时代两大机遇：部分自主应用和构建Agent友好工具。
长程 Agent 越跑越乱？ContextPilot 用细粒度 RL 教会模型主动管理上下文
长程 Agent 推理时，传统方法使上下文臃肿、推理成本高。清华、腾讯等团队提出 ContextPilot 框架，扩展管理工具集、采用新采样和信用分配方法。实验显示其用短上下文获高分，降低推理开销。
从模型到真实世界：具身智能落地面临哪些关键问题？
近年来具身智能成重要方向，但在真实物理世界应用有诸多技术挑战。9月11日‘基座之上’论坛将亮相外滩大会，聚焦前沿技术与场景落地，同期启动挑战赛，现专业观众报名通道已开。