「视觉交互」共找到 1210 篇相关文章
神秘爆款模型被小米认领！雷军直言超过马斯克 xAI Grok，罗福莉透露MiMo-V2-Pro将开源
小米发布 MiMo-V2 家族三款新模型，确认 Hunter Alpha 是 MiMo-V2-Pro 早期版本。雷军称其超马斯克 Grok，罗福莉透露模型稳定后将开源。MiMo-V2-Pro 适用于 Agent 场景，Omni 关注全模态交互，TTS 面向语音生成。
当智能醒于物理世界，英伟达副总裁: 下一个十年属于物理AI！｜新智元十周年峰会
在新智元十年峰会上，NVIDIA副总裁赖俊杰揭示公司下一个十年战略核心——物理AI，它是继生成式AI和智能体AI后的下一波浪潮。物理AI与现实物理世界交互，但面临诸多挑战，英伟达为此开源Cosmos世界基础模型。
奥特曼和纳德拉，艰难重组后首次对谈：「我们是天作之合！」
奥特曼与纳德拉在OpenAI重组后首次同台，阐释重组幕后并押注从App到Agent的范式迁移与Copilot落地。新协议让OpenAI完成重组，Azure成AI开发者“圣地”，双方合作影响软件范式、人机交互及产业格局。
告别「想完再做」卡顿！清华StreamingVLA让VLA边想边行动，提速2.4倍
视觉 - 语言 - 动作（VLA）模型“观测 - 生成 - 执行”串行模式致交互卡顿，清华与联想合作提出StreamingVLA框架，引入两项技术实现并行处理，在测试中显著提升效率和流畅度，为VLA模型部署提供新方案。
全球首款AI原生游戏引擎再进化：GTA6再不来，我们就AI一个
GTA 6跳票成梗，其场景常被用于研究。一个多月前全球首个AI原生UGC游戏引擎发布，如今Mirage迭代为更强大的Mirage 2，支持多样场景，与Genie 3有不同优势且已上线，不过仍有技术问题待解决。
【DeepSeek-OCR系列第一篇】Language Modelling with Pixels【ICLR23】
当前主流语言模型依赖固定词表，扩展到多语言、多脚本时面临覆盖受限、计算昂贵、鲁棒性差等问题。ICLR 2023论文提出不依赖词表的PIXEL模型，通过将文本变成图像用视觉Transformer理解，实验验证其有跨语言、抗噪声等优势。
实测飞猪 AI：真正的突围才刚刚开始？
2026年上半年，AI行业面临盈利难题，AI Coding虽火热，但旅游等领域落地AI更具挑战与潜力。飞猪升级AI能力推出「飞猪帮帮」，能办事、融合交互方式，还解决通用模型痛点，不过落地成闭环仍需供应商适配。
刚刚，GPT-5.2满分屠榜，OpenAI十周年王者归来
OpenAI 十周年推出 GPT - 5.2 系列模型，包括 Instant、Thinking 和 Pro 版本。它在多方面表现出色，刷新多项基准测试 SOTA 水平，如 AIME 2025 获满分，在 GDPval 达人类专家水平。还在编码、视觉理解等能力上有显著提升。
2026年最火的AI机遇，为什么是「OPC」？
2025年末北京颁发首个OPC服务计划，中关村AI北纬社区打造OPC先行示范高地。OPC以一人带AI Agent跑通公司全流程，2026年将因边际成本崩塌、交互范式转移而爆发，文中还拆解5个顶级OPC样本并给出工具栈。
阿里Qwen3一大波更新：代码生成、视频、图片、语音全都有
阿里Qwen3迎来一大波更新，涵盖多个模型。如Qwen3-Max在代码与智能体表现卓越；Qwen3-VL是强大视觉语言模型；Qwen3-Omni是全模态模型；还有图像编辑、同传、安全防护等模型及旅行规划师等应用。