搜索：视觉逻辑排版

「视觉逻辑排版」共找到 1045 篇相关文章

数据邪修大法好：仅用文本数据就能预训练多模态大模型

多模态大模型研发中，行业认为无图文对就无多模态能力。但ReVision研究表明，预训练阶段昂贵配对关系非必需，利用非配对数据统计信息修正文本表征，能实现跨模态互换，降低成本。

Google DeepMind为Gemini 3 Flash推出Agentic Vision，让模型主动编代码操控图像，性能提升5% - 10%。该能力已上线，谷歌还计划扩展功能。这或许是受DeepSeek-OCR2刺激，两者技术路线不同。

依图科技总裁段爱国在朋友圈宣布离开，已获公司同意。他2023年10月加入，任职时依图业务收缩、战略聚焦。此前他是华为机器视觉总裁，推动依图多领域发展。此次变动或暗示依图困境。

黑森林实验室发布开源的FLUX.2 Klein模型家族，是紧凑架构，将高质量图像生成与编辑速度压缩至亚秒级，在消费级显卡实现旗舰性能。其统一架构打破生成与编辑壁垒，还与NVIDIA合作优化。

主攻AI视频与多媒体生成技术的独角兽Runway发布5大更新，包括旗舰视频生成模型Gen - 4.5、首个通用世界模型GWM - 1等，展示了其在通用世界模型上的野心，刷新了视频生成指标。

马斯克提出“终极模拟假设”，认为世界很可能是虚拟模拟的。他结合SpaceX工程经验阐述逻辑，还指出模拟世界或为获故障数据。作者顺着假设从个体角度给出五条行动方针。

作者成峰分享用Claude Code的Skills功能写作的方法。先做写作准备，再用Skills辅助写作，介绍其优势、建立方法，最后排版发布。强调有效AI写作是让AI执行方法论，形成闭环。

上海人工智能实验室与中山大学联合研发的 Earth - Agent 解决了多模态大语言模型用于地球科学研究的痛点。它将领域知识工具封装化，利用 LLM 智能规划调度。经 Earth - Bench 评估，其在多方面表现出色，未来发展前景广阔。

刚获诺奖的谷歌量子团队登Nature封面，提出“量子回声”算法，计算提速13000倍且结果可重复验证。解决了量子计算结果难确认问题，该算法在多领域有应用潜力，还依赖Willow芯片优势。

科研等领域图表是信息核心载体，先进开源MLLMs在高难度图表理解测试准确率低。本文提出ECD数据集，规模大、质量高、风格多样，还设计合成流水线与评测基准ECDBench，为开源MLLM提供支持。