「视觉注意力机制」共找到 1561 篇相关文章
西湖大学张驰团队：不重训，也能让视频生成更长更稳丨CVPR 2026
AI 视频生成目前存在长视频稳定性问题，西湖大学张驰团队提出 《Free-Lunch Long Video Generation via Layer-Adaptive O.O.D Correction》。研究表明 FreeLOC 方法能提升长视频生成质量，且具跨模型通用性，还揭示了问题机制，降低算力成本。
不改模型也能提升推理性能？ICLR投稿提出测试时扩展新范式OTV
ICLR 2026投稿论文提出单token验证（OTV），是测试时扩展新机制，让模型能边推理边判断正误。它基于并行思考思路，借助轻量内部验证器分析推理过程，实验显示其性能优于主流方法。
图像编辑太慢太粗糙？全新开源自回归模型实现精准秒级修改 | 智象未来
AI图像编辑中扩散模型有两大难题，智象未来团队提出全新自回归图像编辑框架VAREdit，引入视觉自回归架构，提升编辑精准度与速度。模型和代码已开源，还提出SAR模块优化，在基准测试表现出色。
刚刚，智谱开源了他们的最强多模态模型，GLM-4.5v。
智谱接连开源GLM - 4.5和GLM - 4.5V，后者为多模态模型，总参数106B，在42个评测基准中41个达到SOTA。经测试，它视觉推理强、速度快，还有视频理解等功能，API定价良心，体现持续开放精神。
AI们数不清六根手指，这事没那么简单。
作者测试发现Grok4、OpenAI o3等多模态模型都将六指图数成五指，仅Claude 4偶尔答对。研究揭示大模型看图片用记忆而非视觉，易受刻板印象影响，在工业等场景或引发严重后果。
豆包可以跟你打视频了，陪我看《甄嬛传》还挺懂！难倒一众AI的“看时钟”也没难倒它
国产AI豆包发布视频通话新功能，能实时报准时钟时间，还接入联网搜索，准确性和时效性强。实测中，它可当看剧搭子，还能识别食材、解答物理题等，背后是豆包·视觉理解模型在发力。
谷歌把电脑操作能力塞进Gemini 3.5 Flash！自己看屏幕狂点70轮
谷歌将电脑操作能力Computer Use内置进Gemini 3.5 Flash，该AI能通过看屏幕操作电脑，可执行点击、打字等动作。其覆盖网页、桌面软件和移动端，还加入安全约束机制，在基准测试中表现良好。
OpenClaw 深度解析：一只龙虾凭什么震撼全世界
万字长文深度解析OpenClaw，阐述其核心原理、创新亮点以及对AI行业的深远影响。解读为何大厂难以打造类似产品，剖析简单任务实现困难的根源，还探讨了其设计机制、应用场景、潜在问题及应对策略。
DeepSeek-R1登顶Nature，8位专家严审通过， 大模型「交卷时刻」来了
近日，DeepSeek - R1登上Nature封面，打破主流大模型未经过独立同行评审惯例。同行评审可理清模型机制，提升透明度与可信度，还能避免‘刷榜’‘自评’，虽有公司担心泄密，但它是验证成果的必要程序。
分布式事务：共识之外，分布式系统状态管理的另一大基石
文章深入探讨分布式系统中“共识”与“事务”的区别与协同，介绍分布式事务的应用场景、实现范式、隔离级别，还阐述 MVCC 机制及其在并发控制、版本存储等方面的应用，最后调研业界数据库产品的事务实现。