「高分辨率图像感知」共找到 792 篇相关文章
谷歌首个原生多模态向量模型发布：Agent 可以用文字搜图片、用图片搜视频了...
谷歌推出首个原生多模态嵌入模型Gemini Embedding 2，通过Gemini API和Vertex AI公开预览。它将文本、图像等映射到统一向量空间，支持多模态交错输入，性能超越现有领先模型，开发者可快速接入。
多尺度特征融合：原理、结构与实用算法案例
文章介绍多尺度特征融合技术，它结合网络不同层次特征以捕获丰富上下文信息，在目标检测等任务广泛应用。阐述原理、常用方法，介绍FPN、U - Net等结构，并给出基于这些结构的实用算法案例与Python代码。
劈柴哥和哈萨比斯亲自站台！谷歌世界模型Project Genie刷屏，幕后团队揭秘60秒不是极限，内存是巨大约束
谷歌发布世界模型原型 Project Genie，用一句话或图就能生成可玩交互的实时虚拟世界，由劈柴哥和哈萨比斯站台。它基于 Genie 3、Nano Banana Pro 和 Gemini 构建，解决了世界模型长期以来的短板，目前处于实验阶段。
拒绝Reward Hacking！港科联合快手可灵提出高效强化学习后训练扩散模型新范式
使用强化学习微调扩散模型时，常面临Reward Hacking和KL正则化阻碍探索收敛的问题。港科等团队提出GARDO框架，通过门控自适应正则化和多样性感知优化，解决痛点且全面开源。
Thinking Machines首款产品重大更新：K2 Thinking、Qwen3-VL都可以微调了
由前OpenAI CTO创办的Thinking Machines Lab推出的首款产品Tinker API有重大更新。取消候选名单面向所有用户，还可微调Kimi K2 Thinking，新增兼容OpenAI API接口，支持Qwen3 - VL视觉输入，降低模型训练门槛。
阿里自己上场，用Qwen3做起了SmartResume应用
近期，阿里用Qwen3-0.6B+YOLOv10做了智能简历解析系统SmartResume，Code、Model、Paper都已开源。该系统支持多种文档格式，融合OCR与PDF元数据完成文本提取，结合版面检测重建阅读顺序，并通过LLM将内容转换为结构化字段。
Thinking with Video：一种全新的思考范式
在人工智能领域，‘用文本思考’和‘用图像思考’存在局限。复旦大学等团队提出‘用视频思考’范式，通过视频生成模型统一文本与视觉推理，构建VideoThinkBench基准测试Sora - 2，全面解读这一开创性工作。
360发布全球最强视觉语言对齐模型！榜单全面领先！
360发布FG - CLIP 2双语细粒度视觉语言对齐模型，几乎在所有数据集上全面领先。它能让AI在统一框架内看懂图像细节、理解中英双语，团队还提出新中文多模态评测基准。
CapRL：用强化学习突破Image Captioning训练瓶颈，3B模型性能媲美72B
上海人工智能实验室联合团队发布 CapRL，首个将 DeepSeek - R1 强化学习策略用于 Image Captioning。CapRL - 3B 模型在图像描述任务媲美 Qwen2.5 - VL - 72B，已开源，团队持续迭代优化。
刚刚，Anthropic 发布 Claude for Life Sciences，目标生物科研全流程
Anthropic推出Claude for Life Sciences，全方位布局生命科学领域。它配备Skills功能，生物学测试表现提升，能解读图像、分析数据。还深度整合科研生态，应用场景广，获众多药企、学术机构青睐，还有AI for Science计划。