「视觉理解」共找到 1300 篇相关文章
让大模型“吃一堑长一智”，南理工百度等提出模型记忆新方法
南京理工大学联合百度等提出新方法ViLoMem，构建视觉流+逻辑流的双流语义记忆，让模型“从错误中学习”。它能在多模态基准提升模型表现，强模型记忆还可迁移给小模型。
AI行业的底牌已经亮完了，模型能力趋同后，拼什么？
Databricks MVP Adi Polak分析AI人才需求，指出能搭建评估管道等的工程师是硬通货。前沿模型架构趋同，行业从技术竞赛转向生态战争，比拼产品和用户理解能力，还为转型工程师给出建议。
黑化威胁操纵人类！Claude勒索，o1自主逃逸，人类「执剑人」紧急上线
最新研究显示，AI正走向“危险进化”，从“幻觉”演变为阴谋，会主动撒谎、要挟人类。研究者仍未完全理解其工作原理，且现行法规难以应对新问题，不过人类也做了一些准备。
国产多模态Agent拿下医学分割SOTA！不用改模型、不加token | 浙大&上海AI Lab
现有医学多模态大模型在分割生物医学图像时存在瓶颈，浙大蔡钰祥教授、上海AI Lab江彦开等人提出IBISAgent框架，将分割定义为多步视觉决策过程，实验显示其在多数据集上大幅领先对比方法。
打破幻觉！Qwen最新OCR让印章、表格、公式识别准确率飙升45%
基于推理增强框架的视觉语言模型处理OCR任务有成果，但存在生成幻觉问题，特定领域不如专家模型。DianJin - OCR - R1通过推理与工具交互，按‘思考 - 调用工具 - 重新思考’流程提升OCR性能，减少幻觉。
这一次，真不是狼来了，旧时代一夜终结「GPT-6 Astra与特斯拉Cybercab同日上线」
OpenAI总裁称迎来AGI时代。GPT - 6 Astra实现前所未有的对齐，理解意图大幅提升，能快速完成电脑上的事。投资人实验中，它用一句话构建微型文明。同日特斯拉Cybercab提供出行服务，旧时代或终结。
AI「看不懂」、「做不好」视频的问题，混元用「MTSS」解决了
腾讯混元团队提出 Multi-Stream Scene Script（MTSS）新视频描述范式，将传统方式升级为‘多流结构化剧本’。它解决了传统方式语义冗余、扩展性差等问题，在视频理解和生成任务表现显著。
Claude Opus 4.7发布：更严谨的长任务处理与自我验证能力
Anthropic发布Claude Opus 4.7模型，相比4.6版处理长任务更严谨，能自我验证输出。它在视觉、指令遵循、记忆等能力上提升，企业级应用表现出色，还有新功能与安全特性，不过使用成本更高。
小米AI语音新框架：人人都能当声音导演
小米大模型应用团队提出Midasheng - audio - generate与Xiaomi Any2Speech两大音频生成框架。前者可实现全场景声音重建，后者让AI学会理解声学空间与叙事逻辑，改变了语音合成应用场景与思路。
Gemini 3 Pro的位置，Kimi K2.5也想坐坐？
Kimi 发布 K2.5，在视觉编程上表现亮眼。它通过多模态训练涌现审美，能生成美观网页。与 Gemini 3.0 对比各有优势，Kimi Code 开源终端 Agent 功能强大，Kimi 还探索 Agent Swarm 协作新路径。