「视觉语言行动模型」共找到 8020 篇相关文章
揭秘开源Agentic‑Doc真能支撑120 W+ 查询？医疗/金融/法务都在用，确实是有这么 6~~~
LandingAI的Agentic Document Extraction是领先OCR且具视觉结构化能力的Python SDK，可处理复杂文档。它功能丰富，架构合理，支持多格式输出。在多行业有应用，性能提升显著，与同类项目相比优势明显。
重磅！中国团队发布SRDA新计算架构，从根源解决AI算力成本问题，DeepSeek“神预言”成真？
国内玉盘AI团队发布《SRDA AI大模型专用计算架构》白皮书，提出全新SRDA计算架构，从硬件源头解决AI算力成本瓶颈。它以数据流为核心，在内存、网络等方面创新，为开发者带来高效、低成本等价值。
上海AI实验室造出首个「通才」机器人大脑：看懂世界+空间推理+精准操控全拿下
上海人工智能实验室联合多家单位提出通用具身智能大脑框架VeBrain，能集成视觉感知、空间推理和机器人控制能力。它统一三类任务语言建模范式，有“机器人适配器”，配套VeBrain - 600k数据集，性能测试表现出色。
机器人学会「眼看手摸」！FreeTacMan 实现人类指尖亲自「授课」
OpenDriveLab提出的FreeTacMan，将人类视觉、触觉和动作技能高效传输给机器，破解精细操作难题。它配备高分辨率触觉“皮肤”，实现人类“手把手”教机器人“感知”，还通过融合时间感知的触觉预训练，提升机器人策略性能。
DeepSeek R1 迎来小更新大升级，性能直逼 OpenAI o3！
昨日，DeepSeek 发布 R1 大模型最新版本 DeepSeek - R1 - 0528 并开启公测。虽官方未附详细技术说明，但用户反馈推理和输出有改进，也有性能方面的不同看法，其在基准测试表现佳。
实测对比！扣子空间播客功能完爆 NotebookLM，覆盖场景更大
多模态是大模型热门应用概念，文本生成语音赛道受资本青睐。作者实测对比扣子空间和NotebookLM，发现扣子空间播客功能更优，能精准拿捏尺度，覆盖场景大，还能做旅行攻略、生成网站等。
RSS 2025｜从说明书学习复杂机器人操作任务：NUS邵林团队提出全新机器人装配技能学习框架Manual2Skill
新加坡国立大学邵林团队提出 Manual2Skill 框架，利用 VLMs 将说明书视觉指令转化为机器人装配技能，含层级化装配图生成、分步骤位姿估计、动作生成与执行三阶段，实验验证其在多场景的有效性。
经济学人：为什么 AI 还没抢走你的饭碗？
尽管先进AI模型能力强，引发人们对失业的担忧，但实际情况是，口译翻译等领域就业人数增长，年轻毕业生失业率低，白领岗位未受负面影响，全球就业仍强劲，或因AI使用率低及公司不轻易裁员。
MCP技术浪潮中的Agent应用开发新范式
当下，MCP迅速发展重塑AI开发协作生态。太极平台借MCP汇聚多方能力，释放大模型潜能。文章介绍MCP技术、执行细节，探讨其与Agent、Function Calling关系，分析技术生态，还思考了MCP发展变化与局限。
如何管理和调度Dify工作流？
文章介绍Dify这一开源大模型应用开发平台，指出其工作流存在无定时调度和监控报警、执行记录过多致性能差等痛点。给出Dify Schedule和XXL - JOB两种集成Dify工作流方案，并分析各自优缺点。