「多码本视觉表示」共找到 934 篇相关文章
明年让AI可靠地抢走你的活儿？Anthropic 首席产品官曝新年目标：大模型不拼 “更聪明”，终结“公司上AI，员工更累”尴尬
2025 年智能主体全面爆发，编码领域智能体成突破点，Anthropic 的 Claude Code 表现突出，份额超 OpenAI。其首席产品官 Mike Krieger 梳理发展方向，指出明年重点解决企业部署 AI 但员工未变高效问题。
Google全链路赋能出海：3人团队调度千个智能体，可成独角兽｜MEET2026
在量子位MEET2026大会上，Google Cloud大中华区负责人Dennis Yue称智能体为初创出海注入新内涵。谷歌推一体化方案全链路赋能，还谈到Gemini 3突破、A2A协议及商业模式转变等。
谷歌豪掷1亿贺寿！Hinton预言OpenAI要输，CS学位最香
新智元报道，78岁生日时，谷歌为Hinton在多伦多大学设讲席教授。Hinton认为谷歌已反超OpenAI，还表示现在不是放弃CS学位的时候，该学位在很长时间都有价值，CS课程也需与时俱进。
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。
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。
AI时代，开发者不能再当 i 人了，「云计算代言人」敬告
亚马逊云科技副总裁 Jeff Barr 时隔 16 年再访中国，对比两个技术时代。他认为 AI 带来创新与挑战，开发者需强大沟通力。还介绍亚马逊云科技工具 Kiro 及新开发模式，预测未来软件开发形态转变。
一图胜千言被实现了！DeepSeek-OCR用图片压缩文本，10倍压缩率
DeepSeek开源DeepSeek - OCR，用图片压缩文本达10倍压缩率且几乎不丢信息。它解决了以往视觉编码器的问题，架构清晰，数据丰富，性能测试亮眼，为解决大模型‘记性差’问题提供新思路。
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。
“现阶段就差数据了”Figure 03登《时代》最佳发明榜封面，CEO放话了
刚发布Figure 03的Figure公司，其CEO Brett Adcock在《时代》采访中称现阶段机器人缺数据。此言论引发争议，他亲自反驳质疑，还阐述公司目标、安全考量及对机器人市场需求的乐观预期。Figure 03登上《时代》2025最佳发明榜封面。