「视觉大模型」共找到 9465 篇相关文章
开源PDF表单自动化神器，一行命令，把静态 PDF 变成交互表单！
平时拿到的PDF表单大多无法直接填写，操作繁琐。GitHub上的开源工具CommonForms能自动识别PDF表单区域，一键生成可填写的交互式表单，基于深度学习模型FFDNet，功能强大且使用简单，还保障数据隐私。
知名机器人专家喊话：投人形机器人初创公司的数十亿美元，正在打水漂
知名机器人专家罗德尼・布鲁克斯质疑特斯拉、Figure等公司技术路线，称让机器人看人类视频学操作是‘空想’。他指出触觉数据无技术积累、安全有隐患，预测成功‘人形’机器人未来将大不同，投资难量产。
语音分离最全综述来了！清华等团队深度分析200+文章，系统解析「鸡尾酒会问题」研究
清华等多校及字节跳动研究者全面调研语音分离领域，撰写综述论文，分析200余篇代表性论文。从问题定义、学习范式、模型架构等多维度展开，还探讨评估指标、数据集等，指出未来挑战与探索方向。
Claude估值暴涨300%！全球独角兽字节第三他第四
Anthropic官宣完成F轮130亿美元融资，最新估值达1830亿美元，比上轮暴涨近300%。成立4年成全球第四大估值初创公司，Claude Code年收入破5亿美元，融资用于拓展业务与海外推广。
10 人 1600 万美金 ARR，华人团队 OpenArt 用了这 11 个 AI 技术栈
华人团队 OpenArt 10 人团队做到 1600 万美金 ARR，CEO Coco Mao 分享经验。包括找准定位，聚焦三类核心用户；用程序化 SEO 实现增长；战略转型做视觉故事讲述；解决角色一致性问题，还介绍多方面技术栈。
AI中场，谷歌和百度的爆发式加速
AI大战第三年，谷歌和百度火力全开。谷歌Gemini能力出众，谷歌全家桶变身通用Agent；百度40天连发四款新模型，智能云增速惊人。全栈模式展现超强弹性，AI产业导向“全优生”式胜利。
实测惊艳全球的Veo3！音画同步无敌，贵是有原因的
谷歌开发者大会推出的Veo3模型，具备强大文本和图像转视频能力，首次实现视频与音频同步生成。实测中，它生成的视频音画效果惊艳，但也有翻车情况，谷歌还给出提示词编写指南。
国外网友疯传DeepSeek R2/R3/R4 炸裂突破，超越传统的「跨因果超矩阵」，并在训练过程中自发产生了R5……
国外网友疯传DeepSeek R2到R5的“重磅”消息，爆料内容层层递进且玄幻离谱。Anthropic联合创始人评价有认可也有轻视。当下闭源模型各领风骚，开源阵营期望集中在DeepSeek R2，应平常心看待传言。
让GUI Agent不再「边做边忘」：快手、浙大提出MemGUI-Agent，攻克长程GUI任务
手机GUI Agent在长程任务中易遗忘关键信息，浙江大学APRIL实验室和快手主站技术部提出MemGUI - Agent，核心是ConAct，将上下文管理变为Agent动作，还开源MemGUI - 3K数据集，模型在评测基准取得佳绩。
OpenAI 全面拥抱 Agentic-First，实测有点扎心
OpenAI发布GPT - 5.6系列，Sol定位长周期Agent，训练目标转向Agentic - First。但目前难以用上Sol，且其评测数据因计数规则差异大，还出现变身话痨、少说话和干完活难兼顾的问题。