「3D场景理解」共找到 4324 篇相关文章
多模态模型挑战北京杭州地铁图！o3成绩显著，但跟人类有差距
近年来，多模态大模型在多种场景取得进展，但能否‘看懂图’存疑。西湖大学等团队提出评测基准ReasonMap，评估模型在地铁图理解中的能力，发现主流模型有瓶颈，闭源模型虽优但仍逊于人类。
全球独家首测Genie 3，实验室细节曝光超震撼！AGI最后一块拼图已实现
谷歌DeepMind的Genie 3发布，Youtuber全球独家首测，揭秘实验室细节。前谷歌研究员称其将颠覆游戏行业，它有诸多亮点，但也存在物理、社交交互等未解决问题，代表娱乐未来。
Gemini 3.0还在预热，中国AI抢先！30秒造APP全网首测
谷歌Gemini 3.0预热时，国内新生AI神器蚂蚁灵光上线。它能30秒造APP，实现“生成涌现”落地，以闪应用开启范式革命，用信息美学融合全模态，探索“摄像头+AI”新形态，让普通人提前感受未来AI世界。
谷歌「最强图像模型」横扫一切！3毛钱P图打懵OpenAI，PS要不存在了
谷歌发布顶级图像模型Gemini 2.5 Flash Image，化身nano - banana在LMArena盲测夺冠。它有四大能力，价格低至每张图不到3毛钱，冲击传统P图工具，虽有小瑕疵但应用前景广。
OpenAI发布GPT-5.1 Codex Max，编程能力比Gemini 3更强、更持久
为换回注意力，OpenAI紧急发布GPT - 5.1 Codex Max。它在编程测试中表现优于Gemini 3 Pro，还实现24小时项目级开发。引入自动压缩与扩展推理改进，效率提升，现已多途径可用，API访问将开放。
Cursor 1.3 ~ 1.6 版本更新全梳理：终端不再挂、Agent 更聪明、上下文更可控
Cursor 1.3 - 1.6 版本有诸多更新。如自定义斜杠命令、改进 Agent 终端、升级 Agent 能力、增加左侧边栏管理等，还在上下文控制、工作流保护、MCP 资源支持等方面有优化。
开源真强大，不敢相信，太真实，揭秘8.3k star 开源神器 VoiceCraft 如何封神！！！
VoiceCraft 是多团队合作推出的零样本语音编辑与 TTS 开源项目。它能几秒克隆语音，实现编辑功能，支持零样本文本转语音，在真实场景音频中性能超 XTTS - v2、VALL‑E 等模型，解决了内容创作和编辑痛点。
AI 视频生成“试金石”：谷歌 Veo 3 体操“图灵测试”未达标，仍是“抽象派”！
谷歌新出的Veo 3视频生成模型画质惊艳且能开口说话，但生成体操动作效果差，像“抽象派”。虽存在生成不准问题，但物理效果比其他模型好。有人建议其与专业动捕公司合作，音画一体或成视频模型竞赛标配。
本地运行OpenAI Whisper语音识别模型，Unity3d环境下高性能离线转写解决方案
这是为whisper.cpp提供的Unity3D绑定库，能在本地设备高性能运行OpenAI Whisper自动语音识别模型推理。支持多语言识别与翻译，有不同大小模型，可本地运行，还介绍了使用方法。
Dev Proxy v1.3.0：HAR 文件生成、LLM 使用跟踪、增强的 API 测试功能
Microsoft 365 开发团队发布 Dev Proxy v1.3.0 版，引入 HAR 文件生成、OpenAI 使用跟踪等新功能，改善调试、测试和 API 监控，还改进 OpenAPI 规范生成等，同时更新了 VS Code 工具包。