「图像理解」共找到 1169 篇相关文章
模力工场 027 周 AI 应用榜：从“一键生成”到“自动交付”，最会帮你干活的 AI 榜单来袭
模力工场第027周AI应用榜揭晓，上榜产品迈入新阶段，能接管关键环节。如Manus交付调研报告，秒哒将想法变应用，邀虾打通跨境电商流程。还介绍了上榜应用、趋势及上榜机制等。
被锁死的想象力：当AI成了科研本身，人类只能是观众
新智元报道，Steve Newman指出，我们对未来想象力或被锁死，AI一旦跨过「适应性阈值」，将进入「不可认知时代」。他提出「谷神星实验」，揭示AI超越人类节奏后，人类社会不再是必经之路等残酷真相。
让扩散模型「可解释」不再降质，开启图片编辑新思路
过去三年扩散模型席卷图像生成领域，但可解释性研究是‘黑箱’，且现有尝试常致性能下降。香港中文大学与上海人工智能实验室团队提出TIDE框架，可解释且不降质，还带来新图像编辑方式。
完爆ChatGPT！谷歌这招太狠：连你的「阴阳怪气」都能神还原
谷歌发布Gemini 2.5 Flash原生音频模型，可保留语调进行实时语音翻译，实现拟人化交互。还具持续监听、风格迁移等功能，提升开发者所需的函数调用、指令遵循等能力，另有实验产品Disco。
Runway深夜炸场：一口气发布5大更新，首个通用世界模型来了
主攻AI视频与多媒体生成技术的独角兽Runway发布5大更新，包括旗舰视频生成模型Gen - 4.5、首个通用世界模型GWM - 1等，展示了其在通用世界模型上的野心，刷新了视频生成指标。
马斯克抢先谷歌一步放大招，Grok 4.1登顶LMArena，创意写作直逼GPT-5.1
谷歌Gemini 3将上线消息正热时，马斯克旗下xAI的Grok 4.1凌晨上线。它有两个“形态”，免费开放且有APP版。在LMArena测试中表现优异，事实稳定性、情商、创意写作等能力提升，实测也有不错表现。
解决特斯拉「监督稀疏」难题，DriveVLA-W0用世界模型放大自动驾驶Data Scaling Law
自动驾驶领域VLA大模型面临‘监督稀疏’难题，特斯拉公布此挑战。DriveVLA - W0研究提出用世界模型解决，将‘预测未来图像’作自监督训练任务，还提出轻量级架构降低推理延迟。
ACM MM 2025 Oral | 新加坡国立大学提出FractalForensics，基于分形水印的主动深度伪造检测与定位
近些年来，深度伪造主动防御受关注，但现有方法有鲁棒性不稳定等问题。新加坡国立大学等团队提出 FractalForensics 方法，基于分形水印实现主动深度伪造检测与定位，实验效果良好。
承包你的品牌营销物料｜谷歌再发重磅 AI 设计产品
谷歌实验室发布AI设计产品Pomelli，专注帮企业低成本生成符合品牌调性的营销物料。它能提取官网品牌元素创建DNA卡片，依此生成设计稿，还能微调细节。不过，它依赖官网信息，存在美学单调等问题。
RecGPT-阿里的LLM推荐系统落地方案
文章介绍阿里RecGPT推荐系统落地方案，包括召回和推荐可解释性两方向。召回采用三塔结构，通过挖掘用户兴趣生成商品标签提升召回多样性。还提及行为序列压缩、推荐归因等，以及大模型微调和评估方法。