「视觉理解」共找到 1324 篇相关文章
机器人「看片」自学新技能：NovaFlow从生成视频中提取动作流，实现零样本操控
布朗大学和机器人与人工智能研究所团队提出 NovaFlow 框架，利用视频生成模型常识知识，让机器人“看片”自学。它将任务理解与控制解耦，通过生成视频提取动作流，实现零样本操控，为通用机器人提供新路径。
NextStep-1：一次在图像生成上自回归范式的探索
阶跃星辰团队探索自回归图像生成新路径，推出 NextStep-1。它直接在连续视觉空间自回归生成，架构简洁，实现端到端训练。模型有高保真生成和编辑能力，Benchmark 表现佳，但也面临稳定性等挑战。
直接从像素到单词：这个原生大模型统一单图、多图、视频和空间智能
南洋理工大学等团队推出NEO - ov模型，挑战传统「视觉编码器 + 大模型」范式，直接从原始像素学语言。它在多任务表现出色，尤其空间智能突出，但在OCR等方面有短板，展现原生多模态建模潜力。
重磅开源！240亿参数力压Nano Banana 2
4月初，京东探索研究院开源JoyAI - Image - Edit图像模型。它是业内首个将「空间智能」写进底层的开源一体化图像模型，能让模型「理解空间，编辑空间」，在电商和具身智能场景极具价值。
“Claude Code 这条路线错了”！元老级 AI 大师 Jeremy Howard 开炮：马斯克和 Dario 根本不懂现代软件工程
元老级 AI 大师 Jeremy Howard 批评当下技术话题，称马斯克和 Dario 不懂现代软件工程。他认为大模型虽能生成代码，但难胜任软件工程，Claude Code 未突破现有技术，还会削弱开发者对系统的理解。
RAE+VAE? 预训练表征助力扩散模型Tokenizer，加速像素压缩到语义提取
近期，RAE 提出以「 冻结的预训练视觉表征」作潜空间提升扩散模型性能。同期西安交大与微软亚研院提出 VFM - VAE，结合 RAE 与 VAE，能加速模型收敛、提升生成质量，展示扩散模型 Tokenizer 演化方向。
WAIC最强亮点：非Transformer离线AI大模型已大规模量产，大模型商业比我们想得更快
在WAIC上，RockAI推出非Transformer离线AI大模型Yan 2.0 Preview，有视觉感知跃升和自主学习能力两大提升。该公司走非Transformer路线，着重场景落地，通过“标杆战略”推动产品量产，未来构想构建“群体智能”世界。
清华大学AI4S研究新进展：让科学智能体发现公式、探索机理
清华大学电子工程系团队在AI for Science领域取得两项新进展，提出可复用的智能体符号回归运行时框架SRHarness，构建机制发现评测基准MechBench，推动AI科学发现从拟合观测走向理解机制。
比OpenClaw还狠！奥特曼押注「心灵感应」，Codex直接读取你的屏幕
4月21日，OpenAI上线Chronicle研究预览版，它能读取屏幕内容形成记忆图谱，帮Codex理解上下文。虽解决AI失忆短板，但吃Token且有隐私风险，这是其在用户记忆战争的首枪。
视频模型假装在推理？MME-CoF新基准评估12个推理维度
视频生成模型如Veo - 3能生成逼真视频，但推理能力存疑。香港中文大学等校研究者设计12项测试，发现模型只能模仿表面模式，未真正理解因果。研究推出MME - CoF基准，为评估指明方向。