「多模态视觉理解模型」共找到 1928 篇相关文章
自动化浏览器
Skyvern是能自动化浏览器操作的工具，底层靠大语言模型和计算机视觉。它提供简单API接口，可在大量网站自动化手动操作，替代易出错的自动化方案。介绍了其原理、使用方法、功能等。
「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。
Claude Opus 4.7 发布！留给人类的时间，不多了
Anthropic 发布 Claude Opus 4.7，核心升级是让 AI 跑长且复杂任务，还能自我验证结果。它视觉能力超强，编程能力提升，新增 /ultrareview 功能，API 多了调节档，不过 token 数量或增加，成本可能上浮。
刚刚，DeepSeek开源OCR 2，首创Qwen编码的「双流架构」
年底 DeepSeek 开源新模型 DeepSeek - OCR 2，首创双流注意力架构，model&paper 一同发布。它重构视觉编码器，采用三阶段训练流程，在 OmniDocBench v1.5 评测及生产环境验证中表现良好。
深度拆解，硬核解构，揭开vLLM推理系统实现高效吞吐的秘籍
文章深度拆解 vLLM 推理系统，介绍其核心组件和高级特性，包括推理引擎流程、调度机制、高级功能等，还提及系统扩展、分布式部署、性能测量等内容，助力读者理解推理引擎工作原理。
Meta开源首个320亿参数代码世界模型CWM
Meta FAIR发布320亿参数的研究模型Code World Model (CWM)，用“世界模拟”方式处理代码，试图真正“理解”代码逻辑。它在Math - 500数据集测试成绩亮眼，模型权重开放，可多渠道下载。
炸裂！谷歌I/O大会王者归来：Gemini“世界模型” 初现，搜索“换脑”，一句话制作原声电影
谷歌I/O 2025大会发布大量技术，虽Gemini 2.5 Ultra未到，但Pro有革新。还推出新模型、代理工具，多模态能力提升，搜索重塑，加入AI眼镜开发，倾尽全力发展AI生态。
The Batch: 972｜Grok 的 Cursor 联盟获得回报
SpaceXAI发布与Cursor联合开发的视觉 - 语言模型Grok 4.6，已向开发者开放。介绍其输入/输出、特性等信息，阐述工作原理、性能表现，还提及相关新闻背景、重要原因及期望。
开源的 skill 被抄了千赞，我用 Lovart 给自己做了个品牌！
作者开源剪辑 Agent 被抄赞多，决定为账号做品牌视觉。其非设计师，用 Lovart 改变与 AI 沟通方式，通过 Brand Kit、字体生成器等完成系列设计，还能导出 PSD，沉淀 Skill。
FACTS 基准测试套件问世，用于评估大型语言模型的事实准确性
FACTS 基准测试套件由 FACTS 团队与 Kaggle 联合开发，基于原 FACTS Grounding Benchmark 增加三个新基准，可从四个维度评估大模型事实性。初步结果显示进展与挑战并存，多模态成难题。