「视觉-语言双视角」共找到 1746 篇相关文章
GPT-5.4据传下周上线！200万上下文窗口+持久化状态，告别频繁遗忘
OpenAI工程师在GitHub仓库意外泄露GPT - 5.4，相关信息流传后被撤回。据传下周上线，其有200万Tokens上下文窗口与持久记忆，支持全分辨率视觉直读，将引发硬件内存之战。
直播实时离线翻译
传统离线翻译模型有延迟问题，GitHub上NoLanguageLeftWaiting开源项目把Meta的NLLB模型改造成实时同传模型，能边听边译，支持200种语言互译，还在开发推测解码功能提升速度。
Vibe Coding 继续：这次，AI Studio 让你可以“画着改UI”
谷歌在AI Studio中引入注释模式，可乱涂乱画用注释命令修改，能更自然地更改应用，与Gemini进行直观视觉对话，还提到Cursor等IDE中类似功能实现方式。
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。
SGLang 贴近硬件：用编译产物（PTX/SASS）评审 PR #26588、DeepGEMM 与架构迁移
本文从「编译产物评审」视角，分析 SGLang 的 PR、FlashInfer DeepGEMM 及 Ampere→Hopper 架构迁移案例。指出算法面和编译产物面会有分歧，编译产物 diff 能提前揭示执行路径变化，对开源项目有增益。
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。