「视觉领域」共找到 2295 篇相关文章
一份最新具身智能中的世界模型&安全综述
本文分享2篇具身智能世界模型和安全挑战的综述。2025年10月的综述用三维坐标轴整合文献。还介绍世界模型分类、性能表现，围绕自动驾驶与机器人领域分析安全隐患并实证评估。
谷歌量子计算重磅突破登上Nature：首次实现可验证量子优势，比最快超算快13000倍
谷歌量子AI团队宣布里程碑式算法突破，其Willow芯片运行“量子回声”算法，首次在硬件上实现可验证量子优势，执行特定任务比最快超算快13000倍，为多领域应用铺平道路。
Qwen3-LiveTranslate：视、听、说全模态同传大模型！
Qwen3-LiveTranslate-Flash 是基于大语言模型的多语言实时音视频同传模型，依托 Qwen3-Omni 能力与海量数据，有多语言和方言支持、视觉增强等亮点，性能超主流大模型。
AI Agent接管谷歌搜索！预订餐厅、定制搜索结果，一键搞定所有事
今天凌晨谷歌宣布，谷歌搜索AI模式新增AI Agent功能，可自动预订餐厅、定制搜索结果。该功能用了自研Project Mariner实时网络浏览能力，以英语扩展到180多国，还将拓展更多领域。
重磅！Google 推出AlphaEvolve 实现算法自我进化，将颠覆数学与计算机科学！
Google DeepMind发布革命性的Gemini驱动编码代理AlphaEvolve，能设计并优化算法。它发现更快矩阵乘法算法、解决开放性数学问题，还优化了Google多方面计算基础架构，未来跨领域应用前景广。
一张图生成「能动」的3D资产：VAST+香港大学AniGen把AIGC推向动画、游戏、仿真与具身智能 (SIGGRAPH 2026 TOG)
SIGGRAPH 2026论文AniGen，由VAST和香港大学研究，能从单张图片直接生成带骨架与蒙皮权重的可动画3D资产。它解决了现有方法的不足，在多方面表现出色，对多个领域意义重大。
让Skill“有图可依”：openJiuwen首发多模态Skill范式Skill-Omni
openJiuwen社区发布业界最早工程化落地的多模态Skill范式Skill-Omni，让Agent经验从‘读得懂’升级为‘看得见’。它能将网页和视频视觉知识沉淀为多模态Skill，还介绍了生成及读取方式和适用任务。
19K star 霸榜，下一代的浏览器自动化神器！
做爬虫或Web自动化测试常因网页结构变动需重写脚本。Github上超火的Skyvern项目是基于浏览器的自动化代理，不依赖XPath或CSS选择器，用视觉识别结合大模型推理完成任务，已获19k+ star。
The Batch: 977 | AI 对速度的需求为何如此迫切
开发者如今需更关注AI速度。OpenAI和Cerebras的Ultrafast、Google的Gemini 3.7 Flash、Nvidia的Nemotron 3.5 Lightning都主打速度。速度在AI领域对应延迟和吞吐量，影响应用体验和范围。
7B打败o3、GPT-5！医学AI智能体让模型学会“看哪里、怎么看”
上海创智学院LeapQuest团队联合多校，在ICML 2026接收两篇论文，提出“Think with Images/Think with Videos”范式，让视觉证据参与模型推理，Ophiuchus和MedScope分别用于图像和视频诊断，表现出色。