「图像理解」共找到 1169 篇相关文章
AI秒懂短视频，快手大模型Keye-VL理解力爆表！技术细节全开源
快手全新多模态大语言模型Kwai Keye-VL上线且开源，能深度融合多模态信息，在视频理解、复杂视觉感知和逻辑推理上表现优异。介绍了其技术架构、预训练和后训练策略及训练架构优化等内容。
分享10本我觉得AI时代应该必读的好书。
作者推荐10本非AI直接相关但对理解和学习AI有用的书，如《失控》助理解AI本质，《人有人的用处》探讨人机关系，《系统之美》揭示AI使用代价等，这些书构成AI时代底层方法论。
马斯克终于成『AI No.1』，6大案例看实力与水分
马斯克发布Grok 4，宣称其超越OpenAI等LLM。它屠了各种榜单，但Grok系列口碑欠佳。文中通过多案例测试，展现其在各方面的表现，如编码、数学、图像等，还提到了API速度和价格。
马斯克发布“地球最强AI模型”Grok 4：横扫所有榜单，在“人类最终测试”超越人类博士”！
北京时间7月10日，马斯克团队发布Grok 4，其基准测试成绩惊人，在‘人类最终测试’等表现出色。它成功源于多智能体协作、追求真相哲学和高算力投入，还在多领域展现应用潜力，同时公布定价并坦言短板。
豆包 Seed 2.0 Lite升级：给 Agent 装上眼睛和耳朵
近期模型发布竞争激烈，作者做视频字幕常遇识别错误，因语音识别工具缺上下文。字节方舟的豆包 Seed 2.0 Lite 升级后能听，还可结合上下文准确输出字幕，成本降 20%，也能理解视频，为工作流补全感知。
新鲜出炉！谷歌nano banana模型刷屏背后技术揭秘
谷歌Nano Banana模型刷屏，其项目负责人等揭秘技术。它有场景一致性、文本渲染等特性，团队用文本渲染能力作评估指标，还靠原生多模态、交错式生成等技术，结合用户反馈实现多方面进步，图像模型做PPT尚处起步。
像开发软件一样造世界，Agent2World来了，把世界模型做成可运行的符号环境
为让模型真正“能行动”，需可执行、可验证的符号世界模型，但现有自动生成路线有困局。研究团队提出 Agent2World，经实验验证有显著效果，能稳定产出高质量符号世界模型，开辟 AI 理解现实环境新可能。
GPT-5.1发布当天，文心5.0杀回来了
2025百度世界大会发布文心5.0，这一2.4万亿参数的原生全模态模型，训练之初融合多模态数据，支持联合输入输出。同日OpenAI推出GPT - 5.1，文心5.0在多方面表现出色，如情绪安抚更贴心、多模态理解能力强等。
浙大开源PhyEdit：单图编辑+精准3D物体操作 | ACM MM'26
浙江大学ReLER团队开源的PhyEdit，用3D foundation model明确目标几何，让DiT图像编辑器负责最终渲染。单张图片里物体能移动并形成连续状态，在多项指标表现出色，还具备多种能力，已被ACM MM 2026接收。
图灵奖得主Hinton国内首次现身演讲：AI超越人类后，我们该怎么做
在世界人工智能大会WAIC上，图灵奖得主杰弗里・辛顿发表演讲，围绕AI历史、未来等展开。他认为大语言模型与人类理解语言方式相似，数字智能知识分享效率远超人类，还提议构建网络让AI向善。