「视觉语言理解」共找到 2156 篇相关文章
10万智能体同场模拟，YuLan-OneSim带来真正的大社会实验
YuLan-OneSim是大语言模型驱动的社会模拟器，能模拟人类社会行为。它可零代码构建场景，有50个默认场景，具分布式架构，支持10万智能体同场模拟，还推出AI社会研究员，自动完成社会科学研究流程。
Karpathy最新发文：醒醒！别把AI当人看，它没欲望也不怕死
Andrej Karpathy在推文中反驳将大模型视作「更聪明人类」的观点，指出大模型是「非生物」智能，其进化压力、学习机制、运行方式与人类不同。清楚这是全新智能，对理解大模型很重要。
SkyReels-Audio让嘴型和音频完美匹配不再难
音频驱动的动态人脸生成研究较少，昆仑万维提出SkyReels - Audio框架，基于预训练视频扩散变换器构建，支持无限长度视频生成与编辑，采用混合课程学习等策略，保障视频视觉保真度和时间一致性。
Claude设计师被工程师卷到掉队，反手造出百万用户工具
Anthropic产品设计师Nate Parrott复盘Claude Design诞生过程。起初他在工作中被工程师拉开差距，利用业余时间捣鼓出这一工具。它以HTML为突破口，融入品牌系统，从副项目转正，定位前期视觉沟通。
MIT给微型机器人做了颗芯片，功耗仅6毫瓦，能实时3D建图
麻省理工学院研究团队开发出名为 Gleanmer 的微型芯片，功耗仅 6 毫瓦，能实时生成三维占据地图。它解决了机器人导航核心问题，通过多项优化提升性能，或让小设备拥有空间理解能力。
刚刚，DeepSeek全新多模态技术开源！
DeepSeek联合北大、清华开源多模态技术及论文，提出“视觉基元推理”框架，解决MLLM指代鸿沟问题。基于DeepSeek - V4 - Flash构建的模型，性能比肩GPT - 5.4等。论文还介绍架构、训练流程等。
让AI像人类画家一样边画边想，港中文&美团让模型「走一步看一步」
在文生图和视频生成领域，现有模型处理复杂任务常出错。港中文和美团团队提出TwiG范式，将视觉生成拆解为“生成-思考-再生成”循环，经实验验证有效，有望拓展到更多领域。
Github 1.8k star Skyvern：AI直接接管鼠标键盘，3行API干掉你写了3年的脆弱XPath脚本！
Skyvern是开源AI浏览器代理，结合LLM和计算机视觉，自动执行浏览器业务流程。它用简单API复刻人工操作，替代传统脚本，解决脚本脆弱、流程复杂等痛点，功能丰富，技术优势明显，适合多业务场景。
Nature重磅研究：大模型让你变得更聪明还是更笨了？创造力增强还是扼杀了?
《自然》研究表明，大语言模型对创造力的影响取决于任务。简单任务中，它像灵感助推器，分担认知负荷；复杂任务里，易致‘创意固化’，长期依赖还可能使大脑‘变懒’。需按需调节使用。
「香蕉革命」首揭秘！谷歌疯狂工程师死磕文字渲染，竟意外炼出最强模型
谷歌最新图像模型nano banana横空出世，能融合图片、理解地理等结构，实现多轮创作。它凭借Gemini知识与交错生成技术，重塑AI图像生成边界。谷歌团队揭秘其技术，还谈及未来发展方向。