「看图测试」共找到 2378 篇相关文章
超越O4-mini，多模态大模型终于学会回头「看」：中科院自动化所提出GThinker模型
现有多模态大模型在通用场景推理有瓶颈，缺乏对视觉线索校验与再思考能力。中科院自动化所提出GThinker模型，有创新的「线索引导式反思」模式，经两阶段训练，性能超O4 - mini，论文等已开源。
ICCV2025 | One image is all you need，多模态指令数据合成，你只管给图，剩下的交给Oasis
近年来多模态指令数据合成依赖人工设计提示词，成本高。本文提出 Oasis 方法，仅靠图像生成数据，打破传统输入模式，还开源代码库 MM - INF。实验显示其数据多样，能提升 MLLM 性能。
陶哲轩看傻：三破18年数学纪录！谷歌推出「AI爱迪生」，科研不再靠灵感？
5月中旬谷歌发布AlphaEvolve，30天攻克18年未解难题。它利用Gemini模型发现新算法，从AlphaGo获启发，能在编程空间搜索方案，或开启不靠‘灵感’的科学革命，还将改变科学家角色。
比修驴蹄还魔性！谷歌这7段纸片动画，看完焦虑没了，第2支直接封神
全球网友爱刷解压视频，谷歌Gemini下场做带提示词的解压视频。它推出7段纸艺动画，包括火烈鸟起舞、圣托里尼落日等，靠高精准提示生成等打造，拓展想象边界，是通往美学与治愈的桥梁。
12秒生成1万token！谷歌推出文本「扩散模型」Gemini Diffusion，研究员：演示都得降速看
谷歌将图像生成常用的“扩散技术”引入语言模型，推出Gemini Diffusion，12秒能生成1万tokens，速度比Gemini 2.0 Flash - Lite更快。它通过逐步优化噪声学习生成输出，目前是实验性演示，可申请体验。
刚刚，首个空间原生的具身视觉基模开源！机器人更会看我们的世界了
蚂蚁灵波发布并开源了面向机器人真实任务的空间原生视觉基模 LingBot-Vision 及空间感知模型 LingBot-Depth 2.0，能让机器人更精准地感知世界，解决透明反光材质、小目标和远距离目标等视觉难题。
WWW时间检验奖颁给唐建博士：图神经网络的十年远征与AI制药的底层逻辑
7月1日唐建博士2015年论文获WWW时间检验奖。其成果支撑多时代发展，延至BIO AI领域。百奥几何依托技术内核发展，GeoFlow历经三代跃迁，在多地实现成果落地，成国内AI制药领跑者。
不用头显也能看3D：清华团队把裸眼3D视角扩大到150°
清华大学戴琼海、吴嘉敏团队在 Nature Photonics 发表研究，提出“超斯涅尔扫描光场显示（SSS - LiD）”方案，在 150°超宽视角下实现高分辨率裸眼 3D 显示，还分析了裸眼 3D 技术的商业化前景。
NUS、牛津等联合发布音视频智能综述：系统梳理大模型时代的AVI全景图
NUS领衔近10家机构发布音视频智能综述，系统梳理大模型时代AVI发展全貌，涵盖感知、生成与交互，复盘子方向工作，构建任务蓝图，整理评测体系，总结基础技术，还探讨应用、安全及未来研究方向。
Claude实名认证引众怒！强制验证是为了更精准封号，Opus自己都看不下去
Claude新规则要求实名认证，引发网友不满。身份验证并非继续使用服务的通行证，反成封号预警。15岁天才程序员因未成年被封账号，Claude Opus 4.6也否定自家KYC规则。