「视觉解释」共找到 785 篇相关文章
无需训练，如何提升黑箱VLM？CARPRT用「类别感知」给出答案
近年来，视觉 - 语言模型（VLMs）改变图像理解范式，但零样本分类性能对 Prompt 敏感。墨尔本大学 TMLR 小组提出 CARPRT 方案，以“无训练、黑箱适配、类别专属权重”解决提示词语义适配不足问题，已被 ICLR 2026 接收。
做了十年设计，这次真觉得自己多余了｜GPT-Image-2 上手实测
作者对刚发布的GPT - Image - 2进行上手实测，发现它无需复杂提示词，随手几个字就能出好效果。在互联网运营图片、知识类卡片、游戏设计、论文解释、网页设计等多领域表现出色，或冲击设计行业。
ICLR 2026 | 机器人不够聪明？VLMgineer让大模型自己「发明工具」，从设计到使用全自动
宾夕法尼亚大学研究者提出 VLMgineer，一个全自动工具设计与使用框架，利用视觉语言模型和进化搜索，让机器人自主设计并使用工具。该工作已被 ICLR 2026 接收。实验显示，它在工具设计上优于人类提示和现有 Benchmark 工具。
大模型的第一性原理：（三）信息论篇
本文从信息论角度解读大模型第一性原理。介绍Shannon信息论，提出将其从以BIT为中心转换为以TOKEN为中心解释大模型底层原理，还阐述大模型各阶段信息论原理、定向信息计算方法，对比Granger与Pearl因果。
MCP 和 Skills 到底什么区别？一篇文章说清楚
文章解释了 MCP 和 Skills 的区别。MCP 是 AI 世界的 USB 协议，可降低开发成本，但会吃掉上下文窗口；Skills 采用渐进式披露设计，自带脚本，能减少上下文消耗。未来 Skills 或承担多数工作，MCP 用于远程连接。
长视频会议纪要、访谈节目精剪AI神器
WhisperVideo是用于长篇幅、多说话人视频的简洁演示系统，专为真实对话构建。它有SAM3视频分割、TalkNet主动说话人检测等功能，具备视觉关联说话人归属等特性，文中还介绍了安装、运行等内容。
让AI打游戏！能玩1000多款游戏，英伟达用4万小时视频训练出通用基础模型NitroGen
NVIDIA发布NitroGen模型，利用40000小时带按键显示的游戏视频，构建视觉-动作数据集，训练出能玩超1000款游戏的通用基础模型，在跨游戏泛化和微调任务中表现卓越，为具身智能发展提供新思路。
TileLang vs Triton 详解：谁该握住控制面——编译器还是开发者？
文章对比 TileLang 与 Triton 两个框架，解释控制面设计、并发协议、编译管线的本质差异，以及这些差异如何影响性能上限、工程投入。明确 TileLang 追求榨干内核，性能上限高但对开发者要求高；Triton 追求快速落地，生态成熟。
用两个简单模块实现分割理解双重SOTA！华科大白翔团队等推出多模态新框架
华中科技大学和金山办公团队联合提出语义增强特征提取器（SEFE）和交错局部视觉耦合（ILVC）模块，构建多模态大模型LIRA，解决现有模型分割不精确和理解有幻觉问题，在分割和理解任务上达SOTA。
AI里最大的Bug，却也是人类文明最伟大的起点。
OpenAI论文指出AI产生幻觉是因其训练方式奖励瞎蒙行为。以考试为例，AI在信息不足时猜测是最优策略。还从统计学解释根源，指出解决幻觉需改变评估指标，也引发对人类想象力起源的思考。