「视觉-语言-行动模型」共找到 1727 篇相关文章
声音自然、接近真人，只要 3 秒音频就能完成声音克隆，可本地跑保护隐私的TTS！
Neuphonic出品端侧TTS模型NeuTTS，能在本地设备高效运行，无需云服务。它有真正端侧运行、低延迟、高质量自然语音等特性，支持多语言，项目还给出安装、使用方法及支持模型等信息。
免训练加速61倍！陈怡然团队新作DPad：仅关注「彩票token」
杜克大学陈怡然团队新作DPad，发现扩散大语言模型关注少量「中奖」token，推理速度可提61 - 97倍，还增强模型语境学习能力。DPad免训练零成本挑关键信息，实现「少算多准」。
用雨伞「钓」无人机？首个针对自主目标跟踪闭环系统的物理攻击
加州大学尔湾分校研究人员用特制雨伞干扰无人机视觉系统，实现FlyTrap攻击，让无人机误判目标远去而失控俯冲。此攻击无需信号干扰，成功率超60%，有强泛化能力，揭示了AI感知系统安全隐患。
GitNexus：GitHub一周暴涨6000星！这个"零服务器代码神器"让AI终于能看懂你的代码了
GitNexus是零服务器代码智能引擎，能将GitHub仓库或ZIP文件转为交互式知识图谱，让AI看懂代码依赖。它有知识图谱构建等功能，支持多语言，适用于接手项目、代码审查等场景。
2.2K标星！一个库打包37个翻译平台，开发者再也不用为翻译API头疼了！
在项目开发中，翻译需求常让开发者为适配各平台 API 头疼。近期 GitHub 上的开源 Python 库 Translators 是省心之选，它集成 37 个主流翻译平台，统一接口，免 API 密钥，支持 450+ 语言互译。
斩获22K star！再见重复劳动，微软AI开源智能办公机器人来了！抓紧用起来
微软推出视觉自动化神器`OmniParser`，上线GitHub获22K star。它重新定义人机协作，有三大能力、五大自动化杀手锏，适用于六大实战场景，还给出速成指南，与同类方案相比优势明显，正重塑办公范式。
76.5k+ star，逆天终端神器！
文章介绍开源工具 `fzf`，它是用 Go 语言编写的命令行模糊查找器，可在多系统使用。有交互式模糊过滤等特性，支持多平台安装，还能与 Shell、编辑器集成，提升命令行体验。
AI「解码」古罗马，重现千年铭文真相！DeepMind新模型再登Nature
借助DeepMind推出的生成式AI工具Aeneas，考古学家面对古代碑文不再抓瞎。它是多模态生成式神经网络，能助历史学家解读、归属和修复残缺文本，还可适应其他古代语言、文字和媒介。
解决VLA模型落地难，普通硬件也能跑！全透明全开源的高效VLA模型把推理成本砍掉76%
2026年4月，中山大学与MBZUAI联合推出A₁模型，它是完全开源透明、自适应高效的截断式视觉 - 语言 - 动作模型，能削减推理成本、实现低成本落地，在仿真与真机上表现优异。
开源音视频同步SOTA基座：极简的单流架构，2秒出片
AI视频生成迈入音视频同步新纪元，闭源巨头已展实力，而上海创智学院与Sand.ai联合发布的开源音视频生成基础模型daVinci - MagiHuman，以极简单流架构，2秒就能在1张H100显卡上生成精准音视频同步画面。