搜索：视觉自监督学习

「视觉自监督学习」共找到 1999 篇相关文章

多模态推理新范式：上海AI Lab新作证明“画”出答案比“说”出答案更靠谱

上海人工智能实验室等联合提出DiffThinker模型，利用扩散模型构建全新视觉推理范式。它在视觉中心任务上表现优异，准确率碾压GPT - 5等模型，还能与MLLM协同推理实现1 + 1 > 2的效果。

BiCo是创新AI视觉内容生成方法，能灵活组合图像和视频视觉概念实现可控编辑。它解决现有方法在概念提取和组合上的问题，在多方面表现优异，可用于视频制作、艺术创作等领域。

多模态长文档视觉问答常见于科研论文等场景，现有技术路线有大视觉 - 语言模型直接端到端和检索增强生成，但各有缺点。MMRAG - DocQA引入新方案，解决多模态连接和跨页证据链接问题。

深度学习三巨头之一Yoshua Bengio成各领域被引最多在世科学家。其多篇论文为深度学习奠基，影响自然语言处理等研究。他近期再创业，还介绍了论文引用排名情况，凸显AI和医学热度。

大型语言模型在专业领域表现不佳，传统微调方法成本高、易过拟合。腾讯优图实验室提出Training - Free GRPO，无需更新参数，通过上下文学习提升性能，成本低且泛化性好，是传统强化学习有力替代。

斯坦福大学2025年春季CS336课程“从头开始创造语言模型”课程和材料全公开。介绍了讲师信息，课程目标是引导学生开发语言模型，含5单元19门课，注重实践，还说明了学习该课程需具备的能力。

DeepSeek上线多模态并开源新范式技术。该研究让AI用视觉原语思考，弥合语言与视觉指代鸿沟。它构建紧凑模型架构，信息压缩率达7056倍，训练分三阶段，测试中表现出色，也存在局限。

现有文档检索基准大多只考虑纯文本，难以处理含图表等视觉信息的文档。JinaVDR 应运而生，它是图文混排文档搜索基准集，含多语言、多领域数据，可评估模型在复杂视觉文档的检索性能。

DeepMind在Veo 3论文中提出帧链CoF概念，类比语言模型CoT，让视频模型能时空推理。实验显示Veo 3有通用视觉理解能力，能零样本解决视觉任务，未来通用视频模型或取代专用模型。

港科大广州联合北京人形创新中心推出LOVON框架，融合大语言模型、开放词汇视觉检测和语言 - 运动映射模型，解决足式机器人开放世界全域目标追踪难题，有抗干扰视觉处理等优势，性能超传统方法。