「复杂任务」共找到 2517 篇相关文章
仅用图像也能Think：Google等提出一种视觉规划的全新推理范式！
剑桥和Google等提出并开源视觉规划范式，通过纯视觉表示规划，独立于文本。还引入VPRL框架，用GRPO后训练大型视觉模型。实验选三个视觉导航任务，VPRL表现最佳，显著优于其他方法。
中国科学院携手全球顶尖机构发布首个十亿参数级的手术视频基础模型SurgMotion！
近日，中国科学院等全球顶尖机构发布手术视频原生基础模型SurgMotion。它依托全球最大手术视频数据集，首次突破十亿级参数，覆盖17项核心手术任务，性能卓越，还在多领域形成生态共鸣。
专业抖音数据采集与交互解决方案
该项目提供专业抖音数据采集与交互解决方案，支持数据爬取、直播间监听、私信收发等功能。它将抖音复杂通信协议封装成 Python 函数，还介绍了各功能实现原理、运行环境及项目地址。
从视觉出发统一多模态！颜水成团队最新研究：不再把图像编解码器塞进LLM｜ICLR'2026
NVIDIA研究员Jim Fan称AI正经历第二次预训练范式转移。颜水成团队Muddit模型从视觉先验出发，用离散扩散框架统一文生图、图生文和VQA，挑战多模态“语言中心论”，在多任务表现出色。
OpenAI 发布新的 Codex 桌面版，我现在不骂 Codex 难用了
OpenAI发布Codex Desktop App，是macOS桌面应用。它有图形界面，支持定时任务、Skills管理和多Agent并行运行。还对比了与Claude Code的差别，介绍了OpenClaw项目，最后说明不同用户的使用场景和用量定价。
让Skill“有图可依”：openJiuwen首发多模态Skill范式Skill-Omni
openJiuwen社区发布业界最早工程化落地的多模态Skill范式Skill-Omni，让Agent经验从‘读得懂’升级为‘看得见’。它能将网页和视频视觉知识沉淀为多模态Skill，还介绍了生成及读取方式和适用任务。
白嫖微软开源Web Agent，独立开发者的第二双手：自动刷网页、跑脚本、盯进度，全交给 Magentic-UI
Magentic-UI是微软开源的Web Agent界面，能控制浏览器、执行代码等，解决长流程、重复且让人不放心全交给AI的任务。它可视化操作，有可复用计划图库等亮点，使用体验好，适合特定开发者。
全新唇同步技术OmniSync，遮挡，侧脸不在话下
唇同步对创建逼真视频内容很重要，但现有方法在身份一致、姿势变化等方面有局限。中国人大携手快手提出OmniSync，引入无需掩膜的训练范式，保证身份和姿态一致，能适应复杂场景，还建立AIGC - LipSync基准。
The Batch: 964 | Claude 亮相另一款 Opus
Anthropic发布Claude Opus 5，这是款视觉 - 语言模型，运行成本低，多任务表现优于Claude Fable 5。它在多项测试中领先，解决了Fable 5的一些问题，但也有易产生幻觉等不足。
通义实验室大火的 WebAgent 续作：全开源模型方案超过GPT4.1 , 收获开源SOTA
WebAgent续作《WebShaper: Agentically Data Synthesizing via Information-Seeking Formalization》提出对information-seeking任务形式化建模，设计训练数据合成方法，全开源模型方案在GAIA评测获SOTA表现，还补足了训练数据不足问题。