「视觉指导」共找到 736 篇相关文章
小红书团队开源dots.ocr：文档解析新王者，性能比肩Gemini！
文档解析领域处理多语言复杂文档需高效能力，传统OCR工具存在不足。小红书HiLab开源多语言文档解析模型dots.ocr，基于1.7B参数视觉语言模型，性能达SOTA，单页PDF处理快，公式识别媲美大模型。
只提升2个点？我实测Claude 4.1后，发现官方在骗人
官方更新Claude 4.1，作者实测其与Claude4、DeepSeek R1在生成UI设计图、卡片、网页游戏开发等方面的能力。结果显示Claude 4.1进步大，尤其在理解提示词和视觉设计能力上，还能精细修改多文件。
仅需0.7秒单图像实时3D重建，开源扩散模型
单图像3D重建是计算机视觉难题，传统基于回归和生成式方法各有局限。Stability - AI开源SPAR3D模型，融合两种方法规避局限，仅0.7秒完成单图实时3D重建，实验显示性能显著优于其他基线方法。
谢赛宁摊上事了！被曝论文藏「只给好评」提示词操纵AI 审稿
纽约大学助理教授Saining Xie被曝在参与的论文里埋「只给好评」提示词操纵AI审稿。他回应称是日本访问学生照搬他人想法所致，涉事学生已更新论文并寻求指导。此事暴露AI时代学术评审困境。
解码提速15.1倍、多任务性能不降：复旦&引望WAM-Diff2打通自动驾驶VLA自回归—扩散转换
视觉-语言-动作（VLA）模型是端到端自动驾驶主流技术，但自回归解码架构有瓶颈。复旦大学与引望智能联合提出WAM-Diff2，实现自回归VLA向离散扩散模型迁移，解码加速15.1倍，多任务性能不降。
从零开始，教你用Codex搓出属于你自己的第一个硬件。
作者分享用Codex开发久坐提醒猫爪硬件的过程。先与Codex聊需求、写代码，再按其提供的清单买硬件，连线、烧录也靠它指导，还可让它调试动作、操控3D打印，体现AI时代硬件开发的便捷。
让大模型学会「自己教自己」！京东&中科院信工所连发三篇论文定义Self-Taught RLVR
京东和中科院信工所开展Self - Taught RLVR系列研究，连发三篇论文。从RLSD、NPO、CoPD三个维度探索让大模型自我指导。如RLSD解决信息泄漏，NPO引入有效学习信号，CoPD整合多专家能力，各有创新与良好效果。
CES 2026趋势照进现实：算力引擎RK182X重塑千行百业，瑞芯微AI生态大会共建落地生态
CES2026推动AI走向现实应用，瑞芯微RK182X作为AIoT2.0算力引擎，在视觉语言和大语言模型表现卓越，支持Qwen3 - VL系列模型。它在音频体验、多领域赋能出色，瑞芯微还构建产业生态促场景落地。
只要交钱，高中生也能发NeurIPS？港大教授怒批顶会变味
在AI浪潮下，学术研究被商业机构「量产化」，成明码标价的「入学筹码」。港大教授马毅揭露乱象，如Algoverse机构指导团队顶会录用率高，高中生也能发文。付费论文收割家长「焦虑税」，还带来诸多学术问题。
边画边想！多模态Reasoning迎来巨大提升！
论文指出文本无法精准表达空间关系，现有视觉语言模型（LVLM）在空间推理上是短板。ViLaSR让模型直接画图推理，经三阶段训练，在五大空间推理测试中表现出色，还开源资源，有望带来机器认知升维。