「视觉理解」共找到 1324 篇相关文章
GPT-5.2发布，OpenAI十周年纪念版更新。
OpenAI在成立十周年之际发布GPT-5.2。此次更新让其在真实工作场景更实用，包括PPT/表格制作能力升级、前端编码能力惊艳、视觉能力细节处理更强、工具调用意识领先等。
OpenAI 首位营销负责人：产品没找到 PMF 之前，营销没价值
OpenAI首位营销负责人Krithika Shankarraman表示，ChatGPT这类产品营销核心是帮用户理解应用场景与价值。有效营销需全公司协同，产品找到PMF后营销才真正有价值，还分享了营销四步法等经验。
字节跳动Seed1.5-VL复杂图表精准抽取，Deep Think是多模态未来的主流
文章介绍字节跳动的Seed1.5-VL模型，它能精准抽取复杂图表，处理模糊图片、推理几何题。其由视觉编码器和LLM组成，预训练语料丰富，后训练结合多种方法，推荐在huggingface体验。
腾讯重磅开源：端到端文档转换VLM，中英文错误率双料最佳！
腾讯开源端到端文档转换视觉模型POINTS - Reader，可将文档图片转结构化文本。它基于POINTS1.5架构，支持中英文。在OmniDocBench基准上，中英文错误率暂列最佳，具零后处理简单等亮点。
来自MIT最强AI实验室：OpenAI天才华人研究员博士毕业了！
OpenAI华人研究科学家陈博远完成MIT博士论文答辩。他不到4年读完博士，辅修哲学，是GPT图像生成核心成员和Sora视频团队成员，将推进世界模型技术，强调视觉世界模型对具身智能至关重要。
“扁平+拓扑”双索引，85页PDF"秒级"推理，MMRag幻觉率骤降76%
文章聚焦多模态长文档视觉问答，介绍现有LVLM - based和RAG - based技术路线及困境。提出MMRAG - DocQA方案，引入‘分层索引 + 多粒度检索’，设计双索引建模相关性与依赖，用互补策略实现证据互补。
LTX-2开源：首个能同时生成视频和音频的模型
LTX-2开源，它是Lightricks团队开发的首个开源多模态基础模型，能联合生成音频和视频。采用非对称双流扩散变换器架构，用深度多语言文本编码器，速度比许多纯视频开源模型快，让模型理解声画关联。
Astra 的 Computer Use 能力是如何实现的？
本文编译自Browserbase增长工程师Kyle Jeong的个人博客，对比了纯视觉路线Computer Use模型的缺陷，详细拆解Astra模型利用无障碍树结合Codex Harness实现能力的架构、训练方法，分析其优劣与行业价值。
14.9g颠覆行业，AI眼镜终于实现无感日常佩戴｜甲子光年
在AI硬件浪潮中，AI眼镜被视为有潜力替代手机的形态。心眸科技发布的AI眼镜Moonix，重14.9克，回归眼镜本质，以“记录”为核心，具备主动式AI能力，能实现“记录 - 理解 - 分享”闭环。
CoT 之后，CoF 如何让帧间逻辑从「隐式对齐」变成「显式思考」？
CoT 虽提升语言模型推理能力，但在 C 端场景有局限，且被质疑并非真实推理。视觉领域提出 CoF 概念，Google DeepMind 团队引入理论，让视频模型通过帧链推理提升帧间一致性，还具强大泛化能力。