「视觉问答」共找到 740 篇相关文章
ICML2025 | 揭示MLLM的图文联动推理能力
当前多模态大语言模型（MLLMs）在图文深度融合推理能力上面临挑战，现有评测基准无法真正检验该能力。EMMA基准应运而生，它从四大领域精选题目，采用双重过滤机制和细粒度标注体系，评测发现MLLMs存在多模态推理危机。
单向VLM变双向！人大斯坦福等提出MoCa框架：双向多模态编码器
人大、斯坦福等机构提出MoCa框架，将单向视觉语言模型转化为双向多模态嵌入模型。它通过持续预训练和异构对比微调，解决传统模型局限，在多模态基准测试中表现优异，尤其小规模模型性能突出。
谢赛宁团队新作：不用提示词精准实现3D画面控制
谢赛宁团队新发布的Blender Fusion框架，结合图形工具 (Blender) 与扩散模型，让视觉合成不再仅依赖文本提示，实现精准画面控制。其核心是对现有技术高效组合，还透露两项训练技巧提升泛化性。
哈工大发布动画多智能体，文本一键生成连贯动画
随着多模态模型兴起，AI生成叙事性视频成热点，但现有方法处理长视频有挑战。哈工大发布AniMaker框架，由多个智能体协作，实现文本到动画自动化转换，解决了视觉连贯和叙事一致等问题。
上下文工程的崛起：提示工程已是过去式
大模型应用从简单问答转向复杂智能体系统，技术焦点正从提示工程转向上下文工程。上下文工程核心是为大模型提供恰当信息与工具，其重要性日益凸显，且与提示词工程有明显区别。
揭秘开源Agentic‑Doc真能支撑120 W+ 查询？医疗/金融/法务都在用，确实是有这么 6~~~
LandingAI的Agentic Document Extraction是领先OCR且具视觉结构化能力的Python SDK，可处理复杂文档。它功能丰富，架构合理，支持多格式输出。在多行业有应用，性能提升显著，与同类项目相比优势明显。
上海AI实验室造出首个「通才」机器人大脑：看懂世界+空间推理+精准操控全拿下
上海人工智能实验室联合多家单位提出通用具身智能大脑框架VeBrain，能集成视觉感知、空间推理和机器人控制能力。它统一三类任务语言建模范式，有“机器人适配器”，配套VeBrain - 600k数据集，性能测试表现出色。
机器人学会「眼看手摸」！FreeTacMan 实现人类指尖亲自「授课」
OpenDriveLab提出的FreeTacMan，将人类视觉、触觉和动作技能高效传输给机器，破解精细操作难题。它配备高分辨率触觉“皮肤”，实现人类“手把手”教机器人“感知”，还通过融合时间感知的触觉预训练，提升机器人策略性能。
RSS 2025｜从说明书学习复杂机器人操作任务：NUS邵林团队提出全新机器人装配技能学习框架Manual2Skill
新加坡国立大学邵林团队提出 Manual2Skill 框架，利用 VLMs 将说明书视觉指令转化为机器人装配技能，含层级化装配图生成、分步骤位姿估计、动作生成与执行三阶段，实验验证其在多场景的有效性。
两张图定位全球，o3碾压T0级高手！人类「诡计」被看穿，跨模态推理爆表
OpenAI的o3在GeoGuessr游戏中与大师级玩家Sam Patterson对决，o3通过视觉与搜索推理，忽略伪造EXIF信息，最终以23179比22054获胜，展现出跨模态推理潜力，引发对AI推理能力的思考。