「视觉定位」共找到 936 篇相关文章
文生图进入R1时代：港中文MMLab发布T2I-R1，让AI绘画“先推理再下笔”
港中文MMLab团队发布首个基于强化学习的推理增强文生图模型T2I - R1。它提出双层级CoT推理框架和BiCoT - GRPO强化学习方法，解决生成评估难题，为多模态生成提供新范式。
DeepSeek涨价，OpenAI降价，Agent改写了大模型价格战
近期，DeepSeek上调API价格，V4 Pro等型号涨幅明显；而OpenAI的GPT - 5.6 Luna API价格降80%，Terra降20%。这背后是大模型价格竞争方向转变，受竞争、广告、效率及Agent使用方式等因素影响。
藏在机器人指尖的AI底座：一家触觉公司的野心｜甲子光年
本文指出机器人产业正补触觉这一课，2026年以来触觉成具身智能热门方向。但给机器人装传感器不代表其有触觉。以他山科技为例，剖析其全栈布局，探讨让机器人从物理世界获经验的路径及产业发展机会。
The Batch: 964 | Claude 亮相另一款 Opus
Anthropic发布Claude Opus 5，这是款视觉 - 语言模型，运行成本低，多任务表现优于Claude Fable 5。它在多项测试中领先，解决了Fable 5的一些问题，但也有易产生幻觉等不足。
四大AI手搓蒙娜丽莎！8次临摹，最像那版全被自己改没了
AI工具平台TryAI搭建「绘画竞技场」，让GPT - 5.6 Sol等四个视觉模型临摹蒙娜丽莎等，记录实验过程。结果显示，模型最终作品不如中途最佳版，且成本差异大，工具使用方式不同。
独家丨擎天租完成A轮及A+轮数亿元融资，估值达70亿元，具身赛道再添独角兽
AI 科技评论独家获悉，擎天租完成 A 轮及 A+ 轮数亿元融资，估值达 70 亿成独角兽。其定位 RaaS 平台，将业务重心推向产业场景，本轮融资用于体系建设和场景拓展。
2.9K Star！这个工具让 Agent 查代码快了 200 倍！节省 98% Token 消耗！
当下，Agent 在代码工作流应用广泛，但在大型代码库搜索时存在精准性、Token 效率和速度问题。Semble 是 MinishLab 团队开发的面向 Agent 的代码搜索工具，能解决上述问题，还具备多方面亮点，安装和使用也简单。
AI 会笑吗？BIGAI & 上交大团队：多模态大模型是否真的能 get 到视频笑点｜ACL 2026
上海交通大学等团队构建v-HUB评测基准，分析多模态大模型视频幽默理解能力。评测7个前沿模型发现，模型依赖文字、主动发现笑点能力弱，声音作用有限，还需考虑隐形线索。
Vercel 开源 Open Agents，支持后台运行 AI 编码工作流
Vercel 开源 Open Agents，支持创建和运行后台编码智能体，提供全栈解决方案。它采用三层架构，核心是智能体与沙箱解耦，支持多步执行等功能，定位为参考实现，引发不同反响。
用Claude Code剪视频，自动去口癖、加字幕、调色，完全免费开源
browser - use团队开源Claude Code技能video - use，可自动去口癖、加字幕、调色等。它通过转录文本和按需视觉合成图让LLM理解视频，有完整流水线和设计原则，还给出使用方法。