「视觉定位」共找到 936 篇相关文章
多模态BUG修复新SOTA：慕尼黑工大GUIRepair登上SWE-bench Multimodal榜单第一
自动化修复软件缺陷是长期目标，多模态问题修复受关注。慕尼黑工业大学团队提出GUIRepair，融合APR与GUI Testing知识，登上SWE - bench Multimodal榜单第一，为多模态软件自动修复开辟新路。
字节开源高效解析文档图像的新型多模态模型Dolphin，快速将复杂的文档图像转化为结构化数据。
字节开源新型多模态模型Dolphin，采用“先分析后解析”范式，能将复杂文档图像转化为结构化数据。它有卓越性能和多种特性，还提供安装、推理使用指南。
Codex「额度黑洞」终于查清！真凶竟是这个小功能
折腾一周，Codex「额度消耗过快」悬案告破。OpenAI Codex负责人Tibo Sottiaux认了三处Bug，如自动给对话起名字小功能额度消耗远超预期。官方还对所有付费订阅做完整额度重置。
让视频搜索像聊天一样简单！本地也能跑的视频语义搜索工具
SentrySearch是基于语义的视频搜索工具，输入文字描述就能从视频中找到对应片段并剪辑成短视频。它可借助Google Gemini Embedding API或本地Qwen3 - VL模型，还适配特斯拉行车记录仪，能叠加车速等信息。
17K star 超火！给你的电脑装上永不遗忘的AI记忆，100%本地运行！
介绍开源项目`screenpipe`，它能7×24小时记录屏幕和音频数据，100%本地运行，保障隐私。对比同类项目Glass，指出两者异同及适用人群，还介绍了安装使用方式。
VLA动作预测必须经过LLM吗？TurboVLA仅0.2B参数，RTX 4090上跑出32Hz在线动作预测
近年来，VLA模型成通用机器人控制重要路线，但模型大、动作更新慢的矛盾凸显。华中科技大学联合华为提出TurboVLA，绕开大语言模型，形成V+L→A路径，降低成本，保持操作能力。
Lucide 1.0 发布，移除品牌图标，并缩减数百万个项目的包大小
Lucide 1.0 发布，它是开源图标工具包，是 Feather Icons 分支。此次移除品牌图标，缩减 lucide - react 包大小，还引入上下文提供程序等改进，社区反响有赞有弹。
这个 4o 矢量插画提示词效果太好了
该 40 矢量插画提示词效果出色，适合张扬的产品主题插画，色彩一致、线条粗，便于转换成 SVG，还给出了具体提示词内容。
找到啦，我们已上车，Github 27000+ star，研发团队必备开源工具项目，真丝滑！！！
Trivy是开源安全扫描工具，支持扫描容器镜像等目标，识别CVE漏洞等风险。它有6大突出功能，技术优势明显，还给出使用示例、应用场景，与传统工具对比优势显著，适用于全生命周期安全分析。
刚刚，Perplexity推出AI 浏览器Comet，AI 浏览器又添重磅玩家
AI浏览器战争打响，Perplexity推出Comet。众多巨头参与，如The Browser Company、Opera、OpenAI等。Comet想成“思考伙伴”，但发布策略引争议，AI浏览器发展面临激进与保守的两难。