「屏幕感知」共找到 359 篇相关文章
走出屏幕，多模态智能硬件如何承载最新的 AI？
多模态模型推动人工智能向现实渗透，多模态智能硬件形态更多样。不同阵营玩家在这一热门赛道竞争，AI手机、机器人、智能眼镜等受关注，近半年还有新型精细形态智能硬件涌现。
视觉感知RAG × 多模态推理 × 强化学习 = VRAG-RL
数字化时代视觉信息愈发重要，传统RAG方法处理视觉信息面临挑战。阿里巴巴通义实验室的VRAG - RL将强化学习引入多模态智能体训练，革新检索生成范式，提升视觉语言模型多方面能力，代码已开源。
一块TFT“屏幕”，如何成为AI4S验证新标准？
Anthropic呼吁放缓AI研究，AI for Science领域上下游能力增长矛盾凸显。TFT天然具备阵列化、高密度等特点，与AI for Materials验证需求匹配。领挚科技基于TFT技术为行业提供验证标准，助力科研成果产业化。
DeepMind发布SIMA 2！打通「感知-推理-行动-反思」闭环
DeepMind推出的SIMA 2，可让智能体在虚拟环境中边聊天边进行复杂多模态推理。它整合Gemini能力，从指令执行者变为互动伙伴，有强大迁移泛化与自我提升能力，是迈向AGI重要一步，但也面临一些挑战。
CVPR 2026 三维视觉趋势梳理：从 RGB 感知，到真实世界建模
计算机视觉行业从追求识别能力转向关注视觉系统对真实世界的理解。CVPR 2026研究中，多视角、事件视觉、开放集3D生成和相机运动轨迹被引入视觉理解，多篇论文从不同侧面推动视觉系统走向对真实世界的理解。
安卓彻底变了！Gemini接管所有屏幕，苹果连影子都没追上
谷歌在 Android Show I/O Edition 宣布，Android 从「操作系统」转型为「智能系统」，Gemini Intelligence 植入安卓设备，覆盖多硬件，还推出 Googlebook。谷歌端侧铺 Gemini，云端投 Claude，与苹果策略形成对照，竞争关键在分发。
Claude Code终于长出调度台：一个屏幕盯住所有AI会话，无需多开
Anthropic为Claude Code上线Agent视图研究预览版，提供「指挥中心」，可在一个界面管理所有会话。开发者能启动多个AI智能体并行处理任务，一目了然掌握任务状态，还支持在线回复和任务切换。
让龙虾看懂屏幕！谷歌多模态新成果，文本图像视频音频进同一空间
谷歌发布首个原生多模态嵌入模型Gemini Embedding 2，将文本、图像、视频、音频和文档映射进同一嵌入空间，支持多模态混合输入，为AI Agent“看懂”世界提供关键基础，已展开公测。
CVPR 25 |全面提升视觉感知鲁棒性，生成模型快速赋能三维检测
香港中文大学（深圳）等单位学者提出 DriveGEN 无训练自动驾驶图像可控生成方法，无需额外训练生成模型，通过两阶段策略扩展训练数据，提升三维检测模型鲁棒性，代码已开源。
具身导航，感知推理到底是「上帝」，还是执行控制是「命门」？| GAIR Live 023
本文是GAIR Live 023圆桌对话实录，浙江大学彭思达与具身多模态算法专家郝孝帅探讨具身导航。涉及本质、范式、挑战、交互等方面，还对未来5 - 10年发展做了展望。