「视觉特征编码器」共找到 792 篇相关文章
五源投资人笔记：Agent 是新生命，它今天很饿｜5Y View
五源投资人石允丰认为，Agent是新生命，以OpenClaw为例，它持续运行，有心跳、记忆等特征且消耗大量token。这引发AI市场“双链分裂”，代谢链潜力大，还带来可靠性、编排等投资机会。
阿里 Qwen3-TTS 两大更新直接封神！支持跨物种音色克隆，3 秒复刻！
阿里通义上线 Qwen3-TTS 两大核心能力，VoiceDesign 支持全文本控制音色特征，VoiceClone 能 3 秒音频跨语言、跨物种克隆音色。更新指标亮眼，如 0.1 秒级生成速度等，还可上手体验。
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。
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。
破立之间：智驾芯片博弈的“新赛道”
全球汽车产业向智能化转型，智驾芯片成产业链核心。当前产业面临多重困境，国际巨头垄断高端市场，行业陷入“算力堆砌”。SDSoW技术是破局之道，有三大特征，能实现性能、能效等多方面提升。
阿里新研究：统一了VLA和世界模型
阿里达摩院等提出WorldVLA框架，融合视觉语言动作模型与世界模型。它用三套分词器编码，解决传统自回归模型问题，经联合训练，实验显示其性能优，两模型还能相互助力。
具身智能迎来ImageNet时刻：RoboChallenge开放首个大规模真机基准测试集
近日，RoboChallenge推出全球首个大规模、多任务真机基准测试。它构建开放、公正、可复现的‘真实考场’，为视觉 - 语言 - 动作模型提供评估标准，推动具身智能发展，还提供远程测试服务等。
字节发了个机器人全能大模型，带队人李航
字节推出Seed，其Robix视觉—语言单模型能搞定机器人推理、任务规划和自然语言交互，核心采用思维链推理和三阶段训练策略，效果超Qwen2.5 - VL、GPT - 4o等，负责人是李航。
刚刚，李飞飞主讲的斯坦福经典CV课「2025 CS231n」免费可看了
斯坦福大学经典CV课程《CS231n：深度学习与计算机视觉》（2025春季）正式上线，学生能学习实现和训练神经网络。课程由李飞飞等四人主讲，全部18个视频可在Youtube免费看。
中国科学PMA|西工大张伟伟、索玮、宋家豪、曹文博：PINNs的局限性讨论与微分方程智能求解展望
物理信息神经网络（PINNs）是求解偏微分方程的热点方法，有统一处理正、反问题等优点，但也存在求解精度低、普适性差等局限。文章剖析其失效根源，展望了改进方向，为构建微分方程智能求解框架提供参考。