「视觉交互」共找到 1210 篇相关文章
GUI定位还在玩「非黑即白」？浙大团队提出GUI-G²，显著提升GUI智能体定位性能
在人工智能领域，GUI 智能体成技术风口，但现有 GUI Grounding 方法有缺陷。浙大团队提出 GUI - G²，将 GUI 交互转变为连续空间建模，在三个主流 GUI 定位基准测试中表现亮眼，重新定义了 GUI 交互本质。
一年从3B卷到0.xB：MonkeyOCRv2用0.7B拿下17语种文档解析开源第一
文档OCR正迈入小模型时代，MonkeyOCRv2以0.7B、0.6B参数在MDPBench上超越3B模型。它重新分配系统职责，采用互补预训练目标，还开源训练数据，且迁移到多任务表现良好。
24小时直播，只靠一张照片？虎牙实时多模态数字人VAM 1.0率先突围行业三堵墙
虎牙推出实时多模态数字人VAM 1.0，只需一张照片就能转化成能说会唱、可实时互动的数字人。它解决了AI数字人行业的时间、交互、部署三堵墙，稳定性、交互精度和响应速度表现出色，应用场景广泛。
姚顺雨现场颁奖，吉嘉铭、董冠霆等15位青年人才获腾讯「青云奖学金」
腾讯「青云奖学金」在深圳颁奖，首期选出 15 位获奖者，每人获 20 万现金和价值 30 万云异构算力资源。姚顺雨现身颁奖，获奖者有白雨石、陈俊松等青年 AI 学者，各有出色研究成果。
世界模型太慢？西交大提出Fast LeWorldModel：用「动作前缀并行预测」让动态估计加速4倍
视觉规划里世界模型‘想象’过程慢，西安交通大学研究团队提出Fast LeWorldModel，从根本改变预测方式，实验显示其提升了成功率，还大幅缩短规划时间。
Codex龙虾化！推出手机远程控制，与Claude Code竞争白热化
OpenAI的Codex可手机远程控制，与Claude Code竞争白热化。它跨设备无缝同步，支撑体验的是安全中继层技术。个人开发者体验提升，企业级环境诉求也得到回应，还推出针对性扩展工具。
多模态BUG修复新SOTA：慕尼黑工大GUIRepair登上SWE-bench Multimodal榜单第一
自动化修复软件缺陷是长期目标，多模态问题修复受关注。慕尼黑工业大学团队提出GUIRepair，融合APR与GUI Testing知识，登上SWE - bench Multimodal榜单第一，为多模态软件自动修复开辟新路。
字节开源高效解析文档图像的新型多模态模型Dolphin，快速将复杂的文档图像转化为结构化数据。
字节开源新型多模态模型Dolphin，采用“先分析后解析”范式，能将复杂文档图像转化为结构化数据。它有卓越性能和多种特性，还提供安装、推理使用指南。
14B检索能力超过Google Search，阿里ZeroSearch通过RL激发LLM检索推理能力~
有效信息搜索对提升LLMs推理和生成能力重要，当前RL方法有文档质量不可控和API成本高问题。阿里通义Lab提出ZEROSEARCH框架，经多步骤训练，实验显示其在检索能力和泛化性上表现出色。
用 LLM Wiki 给自己搭一个会越用越值钱的第二大脑
这是基于Andrej Karpathy的LLM Wiki模式构建的开源项目，能方便实现第二大脑。上传资源后Claude会主动提取实体、建立概念网络，知识会‘自己生长’，用得越久边际价值越高。还介绍了安装及使用方法。